链路预测是网络科学的一个重要研究分支,旨在量化网络中节点对之间存在连边的可能性大小。现实生活中很多事物关系都能够通过网络科学描述,很多实际问题都可以转化为链路预测问题。节点无特征网络链路预测算法便于在有向网络、加权网络、时序网络等更复杂的网络中推广。然而,现有的链路预测算法却面临着网络结构信息挖掘不够深入、特征提取过程受人为主观因素影响、算法很难迁移在其它网络中、算法复杂度过高而无法在大型真实工业网络中进行应用等诸多问题。本文针对以上问题提出图神经网络类算法优化方案,显著提高了节点无特征网络的链路预测算法预测效率,以链路预测的视角,解决了大气污染传播路径难以预测的现实问题。主要研究内容为三个方面:（1）基于Node2vec和GraphSage的节点无特征网络链路预测算法。首先,通过Node2vec在网络中随机游走,得到代表节点局部特征的初始向量表示;接着,通过GraphSage算法聚合节点邻居的局部网络结构,对节点向量表示调整,得到最终的节点向量表示用于链路预测。该算法避免了图嵌入算法的诸多不足,将图神经网络类算法在节点无特征网络中进行推广,扩大了图神经网络类算法的使用范围。（2）融合快速注意力机制的节点无特征网络链路预测算法。该算法在上述研究的基础上,设计一种快速注意力机制,优化算法的运行效率。首先,通过Node2vec在网络中随机游走,得到代表节点局部特征的初始向量表示;接着,基于图注意力网络的基本结构,类比神经图灵机中的内存寻址策略,结合复杂网络重要节点发现算法,设计一种快速的注意力邻居聚合层,通过该注意力层堆叠对节点向量表示调整,得到最终的节点向量表示用于链路预测。该算法不仅避免了注意力计算过程中三维矩阵的存储,而且将该过程的时间复杂度由平方阶降低至线性阶。（3）链路预测在大气污染传播路径中应用研究。首先,通过传递熵量化大气主要污染物PM2.5在微站点间的传播量,接着,通过样本均值与样本标准差选取最优阈值,构建空气质量监测微站点网络,最后基于链路预测算法建模并预测大气污染传播路径。该模型为城市空气污染治理策略的制定,提供更为有效的解决方案。不仅对城市空气质量优化具有重要意义,同时也为其它时序类数据采用网络科学建模分析提供理论支撑。