由于与二元相互作用预测相比，药物-靶标结合亲和力 (DTA) 的识别具有更具体的解释能力，因此在药物发现过程中引起了越来越多的关注。最近，由于其令人满意的性能，许多基于深度学习的计算方法来预测药物和靶标之间的结合亲和力。然而，之前的工作主要集中于编码药物和靶标的生物学特征和化学结构，缺乏从药物-靶标亲和力网络中挖掘必要的拓扑信息。在本文中，我们提出了一种用于药物-靶标结合亲和力预测的新型分层图表示学习模型，即 HGRL-DTA。我们模型的主要贡献是建立一个分层图学习架构，以结合药物/靶标分子的固有属性和药物-靶标对的拓扑亲和力。在这个架构中，我们采用了一种消息广播机制来整合从全局级亲和图和局部级分子图中学习到的层次化表示。此外，我们设计了一个基于相似性的嵌入图来解决推断未见药物和靶标表示的冷启动问题。不同场景下的综合实验结果表明，HGRL-DTA 明显优于最先进的模型，并且在所有场景中都表现出更好的模型泛化能力。