现实生活中复杂、多变的网络系统都能表示成图数据。近年来,图嵌入技术逐渐成为研究复杂网络图的重要方法之一,有着深远的研究意义和广泛的应用价值。图嵌入是对图的特征信息进行高效的提取,并表示成低维稠密向量,可用于链路预测、节点分类等网络分析中。链路预测是对复杂网络中潜在的或未被发现的链接进行预测,应用广泛。本文基于对图数据的研究,提出了两种改进的链路预测算法和一种改进的图嵌入算法,并在多个真实数据集上进行对比实验。具体研究工作如下:（1）本文针对基本随机游走相似性指标的转移概率仅由当前节点的度决定而使链路预测效果不甚理想的问题,在Metropolis-Hasting（MH）算法的基础上,综合利用当前节点与邻居节点的度信息重新定义节点间的转移概率,并采用将当前节点的自环率按邻居节点的度值加权分配给邻居节点的方法重构概率矩阵,再融合重启随机游走相似性指标,提出一种改进MH的链路预测算法IMRWR。链路预测实验表明,本文算法在AUC和排序分指标上均有提升,提高了预测的准确性。（2）针对现有的基于Word2Vec模型的图嵌入算法没有利用被采样节点在采样过程中的主动性而造成获得的节点序列质量不高、影响节点嵌入效果的问题,本文提出一种改进的图嵌入算法Line2Vec,其能综合考虑当前节点与邻居节点共同对游走概率的影响,采用无偏+有偏的灵活随机游走邻域采样策略,以充分调动下一个被采样节点在采样过程中的主动性,从而增强游走过程中生成节点序列的质量、得到表示性能更强的节点向量。节点分类和链路预测实验表明,本文算法有着更高的Micro-F1、Macro-F1和AUC值,增强了节点向量的表示性。（3）针对网络分析方法中研究的图数据默认使用节点图,只能得到节点的向量表示,不能直接将边表示成向量的问题,本文通过将节点图转换成连边图,再送入能够同时处理节点图与连边图的算法Line2Vec中,以直接得到边向量,并结合首次使用的关联矩阵得到不存在边的向量表示,提出一种边嵌入链路预测算法Line2Vec-L。本算法生成的边向量包含图的一手信息未被稀释、弱化,更具代表性。链路预测实验表明,算法Line2Vec-L的AUC值更高,生成的边向量表示性更强。