图神经网络（Graph Neural Networks, GNNs）在面向图的任务中已被证明具有强大能力。然而，现实世界中的许多图结构具有异质性（heterophilous），这挑战了经典GNN所依赖的同质性（homophily）假设。为解决GNN的普适性问题，已有大量研究通过加深网络结构或拼接中间表示来提升性能，但这些方法并未从根本上改变邻居信息聚合机制，且容易引入噪声。近期研究提出了新的同质性度量指标以刻画图的同质性特征，但极少关注这些指标与模型性能之间的内在关联。本文首先提出一种新型度量指标——邻域同质性（Neighborhood Homophily, NH），用于衡量节点邻域中标签的复杂度或纯度。进一步地，我们将该度量融入经典的图卷积网络（Graph Convolutional Network, GCN）架构，提出基于邻域同质性的图卷积网络（Neighborhood Homophily-based Graph Convolutional Network, NHGCN）。在该框架中，根据估计的NH值对邻居节点进行分组，并从不同通道中分别进行聚合；随后，利用生成的节点预测结果反向估计并更新NH值。通过交替优化度量估计与模型推理两个过程，实现更优的节点分类性能。实验结果表明，NHGCN在同质性与异质性基准数据集上均取得了领先的整体性能，相较于当前最优方法（SOTA），最高提升达7.4%。