In dieser Arbeit untersuchen wir das Problem der Gesichtsverwandtschaftsverifizierung durch das Lernen hierarchischer Schließungsgraphnetzwerke. Herkömmliche Methoden konzentrieren sich in der Regel darauf, diskriminierende Merkmale für jedes Gesichtsbild eines gepaarten Stichprobenpaares zu lernen und vernachlässigen, wie die erhaltenen Merkmale zweier Gesichtsbilder fusioniert und die Beziehungen zwischen ihnen analysiert werden können. Um dies zu beheben, schlagen wir ein sternförmiges Schließungsgraphnetzwerk (S-RGN) vor. Unser S-RGN erstellt zunächst einen sternförmigen Graphen, bei dem jeder umliegende Knoten Informationen über Vergleiche in einer Merkmalsdimension kodiert und der zentrale Knoten als Brücke für die Interaktion der umliegenden Knoten dient. Anschließend führen wir relationales Schließen auf diesem Sterngraphen mit iterativer Nachrichtenübertragung durch. Das vorgeschlagene S-RGN verwendet nur einen zentralen Knoten zur Analyse und Verarbeitung von Informationen aller umliegenden Knoten, was seine Schließungsfähigkeit einschränkt. Wir entwickeln daher ein hierarchisches Schließungsgraphnetzwerk (H-RGN), um eine leistungsfähigere und flexiblere Kapazität auszunutzen. Spezieller gesagt, führt unser H-RGN eine Reihe latenter Schließungsknoten ein und baut mit ihnen einen hierarchischen Graphen auf. Dann werden Bottom-Up-Vergleichsinformationsextraktion und Top-Down-umfassende Signalverbreitung iterativ auf dem hierarchischen Graphen durchgeführt, um die Knotenmerkmale zu aktualisieren. Ausführliche experimentelle Ergebnisse anhand vier weit verbreiteter Verwandtschaftsdatenbanken zeigen, dass die vorgeschlagenen Methoden sehr wettbewerbsfähige Ergebnisse erzielen.