Die Lernung von Graph-Embeddings ist eine zentrale Aufgabe bei der Behandlung vielfältiger Datensätze. Während Encoder-Decoder-Architekturen wie U-Nets bei Aufgaben der pixelweisen Vorhersage in Bildern große Erfolge erzielt haben, stellen sich bei der Anwendung ähnlicher Ansätze auf graphenbasierte Daten erhebliche Herausforderungen, da Graphen keine natürlichen Pooling- und Up-Sampling-Operationen besitzen. Neuere Methoden nutzen lernbare Parameter, um strukturelle Informationen aus neuronalen Netzen zu extrahieren, und erweitern Pooling- und Unpooling-Operationen auf Graphen mithilfe von Knotenmerkmalen und graphenstrukturbezogenen Informationen. In dieser Arbeit wird ein neuartiges Modell namens GIUNet (Graph Isomorphism U-Net) für die Graph-Klassifikation vorgestellt. Die vorgeschlagene Graph-U-Net-Architektur basiert auf Graph-Isomorphismus-Konvolution und nutzt eine umfassende pqPooling-Schicht. Die pqPooling-Schicht in unserem Ansatz kombiniert effektiv Knotenmerkmale und strukturelle Informationen des Graphen während des Down-Sampling-Prozesses. Um strukturelle Informationen des Graphen einzubeziehen, nutzen wir sowohl die spektrale Darstellung als auch Messungen der Knotenzentralität. Die Knotenzentralität erfasst verschiedene strukturelle Aspekte der Knoten im Graphen, während die spektrale Darstellung uns ermöglicht, uns auf die informativen, niederfrequenten Komponenten der Graphenstruktur zu konzentrieren. Durch Ablationstudien haben wir nachgewiesen, dass die Nutzung des GIUNet-Modells im Vergleich zu aktuellen State-of-the-Art-Methoden auf mehreren Benchmark-Datensätzen zu signifikanten Verbesserungen führt.