本文提出了一种统一的框架——深度图核（Deep Graph Kernels, DGK），旨在借鉴自然语言建模与深度学习领域的最新进展，学习图结构中子结构的潜在表示。该框架通过学习子结构的潜在表示，有效捕捉子结构之间的依赖关系。我们在三种主流图核方法上验证了该框架的实例化，分别为图小波核（Graphlet kernels）、Weisfeiler-Lehman子树核（Weisfeiler-Lehman subtree kernels）以及最短路径图核（Shortest-Path graph kernels）。在多个基准数据集上的实验结果表明，深度图核在分类准确率方面显著优于当前最先进的图核方法。