含有至少一个环状结构的环状化合物在药物设计中发挥着重要作用。尽管近年来基于图神经网络（GNN）的分子建模取得了显著进展，但大多数模型并未显式考虑分子中的环结构，从而限制了模型的表达能力。在本研究中，我们提出了一种新型GNN变体——环增强图神经网络（O-GNN），该模型在表征分子原子和化学键的同时，显式建模分子中的环结构。在O-GNN中，每个环由一个潜在向量表示，该向量能够接收来自原子和键的表示信息，并在迭代过程中不断更新。理论分析表明，仅需单层结构，O-GNN即可区分位于不同环上的两个同构子图，而传统的图卷积神经网络则需多层才能实现类似区分能力，这表明O-GNN具有更强的表达能力。实验结果表明，O-GNN在多个公开数据集上均表现出优异性能：在PCQM4Mv1基准测试中取得了当前最优的验证结果（超越此前KDDCup冠军方案），并在DrugBank数据集上的药物-药物相互作用预测任务中表现突出。此外，在分子性质预测与逆合成路径预测任务中，O-GNN亦显著优于未显式建模环结构的强基线模型。