Dans cet article, nous présentons Deep Graph Kernels (DGK), un cadre unifié permettant d'apprendre des représentations latentes de sous-structures pour les graphes, inspiré des avancées récentes en modélisation linguistique et en apprentissage profond. Notre cadre exploite les informations de dépendance entre les sous-structures en apprenant leurs représentations latentes. Nous illustrons notre approche sur trois noyaux graphiques populaires : les noyaux de graphlets, les noyaux de sous-arbres de Weisfeiler-Lehman et les noyaux de plus courts chemins. Nos expérimentations sur plusieurs jeux de données standard montrent que Deep Graph Kernels atteignent des améliorations significatives en précision de classification par rapport aux meilleurs noyaux graphiques actuels.