针对图推荐系统中用户交互易受流行趋势、社群效应等混杂因素干扰，导致真实偏好表征失真、长尾项目召回能力不足的问题，提出一种融合多尺度因果去偏与自监督对抗判别的图推荐模型(graph recommendation model integrating multi-scale causal debiasing and self-supervised adversarial purification，MCAP)。模型首先通过并行双分支图卷积架构分别学习用户-项目图中的兴趣表征和偏差关联图中的偏差表征，并利用解耦损失实现二者的初步分离。在此基础上，构建多尺度因果去偏链路：嵌入层面以偏差表征为参照对兴趣表征进行因果干预；表征得分层面结合偏差关联图的全局信息抑制兴趣表征中的偏差放大效应；为进一步消除残余混杂因素干扰，设计自监督对抗判别机制，通过梯度反转层驱动兴趣分支与判别器对抗学习，提升兴趣表征的纯净性。实验表明，MCAP在MovieLens-10M和Netflix数据集的Recall@20/50、NDCG@20/50指标上显著优于主流基线去偏推荐模型，进一步验证了该方法在弱化混杂因素干扰和提升推荐准确率方面的有效性。