Grapheneuronalnetze, die tiefen Neuronenmodellen für graphenstrukturierte Daten verallgemeinern, haben in den letzten Jahren zunehmend an Bedeutung gewonnen. Sie lernen in der Regel Knotendarstellungen durch die Transformation, Verbreitung und Aggregation von Knoteneigenschaften und haben sich als Verbesserung des Leistungsvermögens bei vielen graphenbezogenen Aufgaben wie Knotenklassifikation und Link-Vorhersage bewiesen. Um Grapheneuronalnetze für die Graphklassifikation einzusetzen, sind Ansätze erforderlich, um aus den Knotendarstellungen eine \textit{Graphdarstellung} zu generieren. Ein üblicher Weg besteht darin, die Knotendarstellungen global zu kombinieren. Dabei wird jedoch reichhaltige strukturelle Information übersehen. Daher ist ein hierarchisches Pooling-Verfahren erforderlich, um während des Lernens der Graphdarstellung die Graphstruktur beizubehalten. Es gibt einige aktuelle Arbeiten zum hierarchischen Lernen von Graphdarstellungen, vergleichbar mit dem Pooling-Schritt in herkömmlichen Faltungsneuronalnetzen (CNN). Dennoch wird während des Pooling-Prozesses die lokale strukturelle Information weitgehend vernachlässigt. In dieser Arbeit stellen wir einen Pooling-Operator $\pooling$\pooling vor, der auf der Graph-Fourier-Transformation basiert und sowohl Knoteneigenschaften als auch lokale Strukturen während des Pooling-Prozesses nutzen kann. Wir entwerfen daraufhin Pooling-Schichten basierend auf dem Pooling-Operator, die mit traditionellen GCN-Faltungsschichten kombiniert werden, um einen Grapheneuronalnetz-Rahmen $\m$\m für die Graphklassifikation zu bilden. Eine theoretische Analyse wird bereitgestellt, um das Verständnis von $\pooling$\pooling sowohl aus lokaler als auch aus globaler Perspektive zu fördern. Die experimentellen Ergebnisse der Graphklassifikationsaufgabe anhand von $6$6 häufig verwendeten Benchmarks demonstrieren die Effektivität des vorgeschlagenen Rahmens.