Transformer （Transformers）在自然语言处理和视觉领域取得了革命性的进展，为它们与图神经网络（Graph Neural Networks, GNNs）的结合铺平了道路。增强图 Transformer 性能的一个关键挑战是提高其区分图同构的能力，这在提升预测性能方面起着至关重要的作用。为了解决这一挑战，我们引入了一种新型 Transformer ——“拓扑感知图 Transformer （Topology-Informed Graph Transformer, TIGT）”，该模型不仅增强了检测图同构的辨别能力，还提升了图 Transformer 的整体性能。TIGT由四个组件构成：一个基于图的非同构普遍覆盖（利用图中的循环子图）的拓扑位置嵌入层，以确保唯一的图表示；一个双路径消息传递层，用于在整个编码器层中显式编码拓扑特征；一个全局注意力机制；以及一个图信息层，用于重新校准通道级图特征以实现更好的特征表示。TIGT在区分合成数据集中图同构类别的分类任务上超越了以往的图 Transformer 。此外，数学分析和实证评估表明，我们的模型在各种基准数据集上具有与最先进的图 Transformer 相媲美的优势。