现实世界中存在大量的复杂系统,将其抽象作为复杂网络进行研究时,网络结构的信息采集并不完整。链路预测主要是利用已有的网络信息,预测潜在的或抽象过程中缺失的、虚假的连接。因网络结构的易获性,基于网络结构相似性的链路预测算法成为主流算法。其中,基于局部随机游走的算法准确度较高,但没有考虑网络局部的聚集程度对节点之间转移概率的影响。另外,具有相同实体的多个不同类型的网络相互之间存在联系,可以表示为多层网络,也将一些单层网络预测算法扩展到多层网络研究中,但没有考虑层间的信息。现有的多层网络的链路预测算法没有考虑目标层的拓扑结构信息,而且层间信息的计算方法中参数较难确定。因此,本文针对单层网络和多层网络的链路预测算法存在的问题,提出基于相似性的复杂网络链路预测算法。本文主要的研究内容如下:对于单层网络,为了解决基于局部随机游走的链路预测算法忽略局部网络结构对转移概率的影响,不适于具有局部高聚集程度的网络的问题,提出了基于叠加随机游走重力模型相似性的单层网络链路预测算法。首先,考虑网络局部信息,利用节点的度或结合节点的聚类系数和RA算法,改进随机游走的转移概率矩阵;然后,将其应用到叠加局部随机游走中,量化局部网络结构对游走转移的影响;最后,利用叠加局部随机游走得到的转移概率和最短路径重定义重力模型参数,计算节点之间的相似性。与基于局部信息、基于路径、基于随机游走和基于节点的聚类系数的算法相比,在局部无高聚集程度的网络中,提出的算法的AUC指标平均为0.951,平均提高了1.3%,Precision指标平均提高了0.9%;在具有局部高聚集程度的网络中,提出的算法的AUC指标平均为0.978,平均提高了5.5%,Precision指标平均提高了1.4%。实验结果表明,提出的算法可以有效的对单层网络进行链路预测。对于多层网络,为了解决多层网络的链路预测算法忽略网络层内的拓扑结构信息,以及层间信息计算较难确定的问题,提出了基于灰色关联度相似性的多层网络链路预测算法。首先,将多层网络划分为目标层和其他层,对目标层进行链路预测,考虑其他层与目标层的共有边和非共有边对目标层的影响,提出了一种新的层间相关性度量方法,计算其他层与目标层之间的相关性,将其作为层间信息;然后,利用基于叠加随机游走重力模型相似性的单层网络链路预测算法,量化各层网络的层内信息;最后,利用灰色关联度分析方法,将层间信息和层内信息相结合,计算目标层中潜在连接节点之间的相似性。与其他的多层网络算法相比,提出的算法的AUC指标平均提高了8.75%,Precision指标平均提高了21.5%。实验结果表明,提出的算法能更有效对多层网络进行链路预测。