多层网络节点分类作为复杂网络研究的重要任务之一，旨在通过识别和分类网络中的节点，揭示其内在的多维结构与语义特性。图神经网络(graph neural networks，GNNs)作为一种能够直接对图结构数据进行学习的框架，通过节点间的消息传递机制，能够高效地学习图中节点与边的内在规律及更深层次的语义特征。在节点分类任务中，GNNs通过邻居聚合和消息传递机制能够充分利用图结构信息和节点特征进行节点分类。相比于传统的节点分类方法，GNNs通过自适应学习节点的特征表示，减少了对手工特征工程的依赖，提高了节点分类任务的准确性。因此，基于图神经网络的方法已成为节点分类研究的主流方向。基于此，对近年来基于图神经网络的多层网络节点分类方法进行分类和综述。首先，梳理了多层网络和图神经网络的核心概念，给出了各种多层网络的定义及特点。其次，全面总结了基于图神经网络的多层网络节点分类方法的最新进展，并根据学习范式将节点分类方法分为三类：半监督、无监督和自监督。同时，分析对比了这些方法在社交网络、学术网络和电商平台网络等下游任务中的性能表现。最后，对现有研究进行全面总结，并根据现有研究的不足讨论未来的研究方向。