现如今,复杂网络无处不在,从电力网络到公共交通网络,从通信网络到航空运输网络。对复杂网络的研究也受到各学科研究人员越来越多的关注。在这些研究中,链接预测以发现静态网络中缺失的链接,预测动态网络中未来的链接为目的,因其在理论和现实中的广泛应用而成为复杂网络研究的一个重要分支。现实世界中的许多网络都是动态的,其结构会随着时间的推移而不断变化。由于动态网络的特性,动态网络中的链接预测比静态网络中的更具有挑战性和复杂性。然而,有效地利用动态网络所携带的信息可以显著提高预测精度。为此,本文提出了两个动态网络链接预测方法。（1）基于特征融合的动态网络链接预测方法。由于动态网络具有随时间演化的特性,使得网络在不同时刻有不同的结构特征。本文基于TOPSIS方法和DS证据理论提出了一种动态网络链接预测方法。该方法将多种基于网络拓扑结构的相似性指标,以及节点对在不同时刻的连接状态作为节点对的特征,利用TOPSIS融合快照内的各个特征,得到每个快照对于目标链接的预测结果。接下来,该方法利用DS证据理论融合不同快照的预测结果,得到最终的相似性分数。在融合的过程中,综合考虑了不同快照的贡献程度。在8个真实网络上的实验结果表明,该方法的精度明显提升,且具有很好的鲁棒性。（2）基于拓扑特征和历史信息的动态网络链接预测方法。为了进一步提升链接预测的精度,我们提出了一种基于有监督学习的预测方法THILP。该方法将链接预测视为一个回归问题。为此,THILP先从多个快照中提取拓扑特征和历史特征来表示节点对,然后采用随机森林回归（Random Forest Regressor）算法训练预测模型。我们在9个真实网络上通过大量的实验对该方法的性能进行了分析。结果显示,该方法的性能明显优于对比方法。