Les graphes sont omniprésents: la plupart des données du monde réel peuvent être naturellement représentées sous forme de graphes. La capture d'informations à partir de données structurées en graphes est donc devenue et reste un sujet important. Dans cette thèse, nous présentons une série de contributions de recherche sur les sujets de l'apprentissage automatique sur les graphes en utilisant des méthodes à noyau et les réseaux neuronaux de graphes (GNNs).Dans la première partie, nous présentons un nouveau modèle pour construire un noyau de graphe d'affectation optimale qui calcule la similarité entre deux graphes en calculant une correspondance de leurs plongements de nœuds résidant dans le même espace. En utilisant un algorithme de clustering, nous construisons une hiérarchie des sommets dans cet espace, à travers laquelle le noyau proposé peut trouver une correspondance optimale des sommets qui maximise la similarité globale. Ce modèle n'est pas limité aux graphes. Il peut être utilisé pour comparer tout objet qui est un ensemble de vecteurs. De plus, la carte de caractéristiques du noyau est un plongement de nœuds plus expressif que les approches de plongement originales. Nous démontrons l'efficacité du noyau proposé de manière empirique sur des tâches de classification de graphes, de prédiction de liens et de catégorisation de textes.La deuxième partie de cette thèse est consacrée aux GNN, en particulier aux réseaux de neurones de passage de messages (MPNN), une classe dominante de GNN. En tant que modèle émergent, le MPNN est rapidement devenu un des premiers outils pour l'apprentissage de la représentation de graphes.Nous démontrons d'abord la puissance des MPNNs par une application dans le domaine des réseaux temporels. Nous nous attaquons à la prédiction de l'évolution de graphes dynamiques en proposant un modèle séquentiel. Précisément, nous utilisons les MPNNs pour encoder la séquence de graphes en évolution en une séquence de plongements dans un espace latent. Une architecture récurrente génère ensuite la prédiction du plongement au prochain pas. Enfin, un modèle génératif est utilisé pour reconstruire l'instance de graphe correspondant à cette prédiction de plongement dans l'espace latent. Les GNNs améliorent considérablement les performances par rapport aux modèles traditionnels, tels que les modèles de graphes aléatoires, pour la prédiction de la topologie des graphes évolutifs.Les deux travaux suivants se rapprochent des principes fondamentaux des MPNNs en abordant leurs limites en termes de coût de calcul et de robustesse au bruit structurel. Nous remarquons que le MPNN peut être divisé en deux étapes disjointes : l'étape d'agrégation et l'étape de mise à jour. Grâce à des expériences extensives, nous avons constaté que l'étape de mise à jour semble jouer un rôle moins important en terme de performance du modèle, car elle peut être considérablement simplifiée en sparsifiant, ou dans certains cas, même en omettant l'ensemble.Ensuit, on propose un modèle théorique basé sur la théorie des matrices aléatoires pour analyser l'interaction entre l'information sur la structure du graphe et l'information sur les caractéristiques des nœuds, précisément lorsque la structure du graphe est fortement perturbée. Le résultat principal est que le bruit structurel du graphe éclipse fortement l'information sur les caractéristiques des nœuds. Lorsqu'un graphe est structurellement suffisamment perturbé, l'information sur les caractéristiques des nœuds ne contribuera pas à la performance du modèle, même si elle peut être informative. Cette découverte théorique nous inspire à renforcer les MPNNs contre le bruit structurel du graphe avec un noyau de caractéristiques de nœuds. Les évaluations empiriques montrent l'efficacité du noyau que nous proposons, car il améliore de manière significative les performances du modèle lorsque la structure du graphe est fortement perturbée.