In diesem Artikel stellen wir Deep Graph Kernels (DGK) vor, einen einheitlichen Rahmen zur Lernung latenter Darstellungen von Unterstrukturen für Graphen, der sich an den neuesten Fortschritten in der Sprachmodellierung und tiefen Lernverfahren orientiert. Unser Framework nutzt die Abhängigkeitsinformationen zwischen Unterstrukturen, indem es deren latente Darstellungen lernt. Wir demonstrieren Anwendungen unseres Frameworks an drei gängigen Graphkernen: Graphlet-Kernen, Weisfeiler-Lehman-Subtree-Kernen und Shortest-Path-Graphkernen. Unsere Experimente an mehreren Benchmark-Datensätzen zeigen, dass Deep Graph Kernels im Vergleich zu aktuellen state-of-the-art-Graphkernen eine signifikante Verbesserung der Klassifizierungsgenauigkeit erzielen.