Les réseaux de neurones à convolution sur graphe (GCNs) constituent une approche puissante d'apprentissage profond pour les données structurées en graphe. Récemment, les GCNs et leurs variantes ultérieures ont montré des performances supérieures dans divers domaines d'application sur des jeux de données du monde réel. Malgré leur succès, la plupart des modèles GCN actuels sont peu profonds, en raison du problème de {\em sur-lissage} (over-smoothing). Dans cet article, nous étudions le problème de conception et d'analyse des réseaux de neurones à convolution sur graphe profonds. Nous proposons le GCNII, une extension du modèle GCN de base avec deux techniques simples mais efficaces : {\em résiduel initial} (Initial residual) et {\em mappage identité} (Identity mapping). Nous fournissons des preuves théoriques et empiriques que ces deux techniques atténuent efficacement le problème de sur-lissage. Nos expériences montrent que le modèle GCNII profond surpassent les méthodes de pointe dans diverses tâches semi-supervisées et supervisées. Le code est disponible à l'adresse suivante : https://github.com/chennnM/GCNII .