近年来，网络表示学习（Network Representation Learning，NRL）作为一种在低维空间中表示节点来分析异质信息网络（Heterogeneous Information Networks，HIN）的有效方法受到越来越多的关注。基于随机游走的方法是目前网络表示学常用的方法，然而这些方法大多基于浅层神经网络，难以捕获异质网络结构信息。图卷积神经网络（Graph Convolutional Network，GCN）是一种流行的能对图进行深度学习的方法，能够更好地利用网络拓扑结构，但目前的GCN设计针对的是同质信息网络，忽略了网络中丰富的语义信息。为了有效地挖掘异质信息网络中的语义信息和高度非线性的网络结构信息，进而提高网络表示的效果，文中提出了一种基于融合元路径的图卷积异质网络表示学习算法（MG2vec）。该算法首先通过基于元路径的关联度量方法来获取异质信息网络中丰富的语义信息；然后采用图卷积神经网络进行深度学习，捕捉节点和邻居节点的特征，弥补浅层模型捕捉网络结构信息能力不足的缺陷，从而实现将丰富的语义信息和结构信息更好地融入低维的节点表示中。在数据集DBLP和IMDB上分别进行实验，相比Deep walk，node2vec和Metapath2vec算法，所提MG2vec算法在多标签分类任务上的分类精确率更高且性能更优，精确率和Macro-f1值分别达到了94.49%和94.16%，且与Deep walk相比分别最高提升了26.05%和28.73%。实验结果证明，MG2vec算法的性能优于经典的网络表示学习算法，具有更优的异质信息网络表示效果。