随着计算机科学技术的快速发展,各个领域的复杂关系产生了多个复杂网络,比如:社会网络、信息网络、生物网络和技术网络。链路预测是复杂网络中重要研究内容,它是在给定网络中利用已有的各种信息来预测尚不存在连边的两个节点发生链接的可能性,在社会网络中的朋友推荐系统、预测蛋白质之间的相互作用、推断网络演化机制等领域均有广泛应用。经典链路预测算法大多是从网络的拓扑结构包含的信息出发研究的单机制算法,但这些算法的预测精度具有局限性并限制了适应范围。为了解决以上问题,近些年,提出了融合集成思想的混合链路预测算法。因此,本论文基于单机制算法和混合算法对链路预测问题展开研究,主要内容如下:（1）单机制链路预测算法。针对目前已有的基于网络拓扑结构提供信息的链路预测算法,在不增加计算复杂性的前提下有效地度量网络的结构信息是一个难点,因此引入本地网络概念提出了一种基于相对熵和节点局部结构的节点结构相似性链路预测算法。为防止引入过多的噪音信息,使得预测准确率下降,首先,通过定义二阶本地网络刻画节点的局部结构;然后,利用相对熵的方法重新定义了节点之间的结构相似性;最后,提出基于相对熵度量节点结构相似性指标的算法。在7个真实数据集上实验测试表明,相比其他相似性指标,该算法在曲线下面积（AUC）衡量标准下可以获得更好的效果和更稳定的性能,也表明此算法适用于平均聚集系数小的网络并且在大规模网络上有较好的表现。（2）组合规则法的混合链路预测算法。针对链路预测组合算法的精确度一定优于每一个单机制算法的精确度的观点,提出一种基于信息熵改进主成分分析模型的混合链路预测算法。首先,用随机森林确定7个相似性索引（CN、LP、LHNII、ACT、Katz、SRW和MFI）作为最佳特征集合;然后,根据组合的思想将7个相似性指标组合在一起提出基于信息熵改进主成分分析的特征信息融合模型;最后,对特征信息赋予权重,与单机制算法结合提出混合链路预测算法。在6个真实数据集上实验测试表明,相比其他单机制算法和混合链路预测算法,该算法具有更好的稳定性和准确性。（3）拟合学习法的混合链路预测算法。针对使用集成学习技术提高链路预测的准确性仍有进一步探索的可能性,提出了一种基于集成学习的混合链路预测算法。首先,分析单机制方法,将11个相似性索引（CN、AA、HDI、HPI、RA、PA、LP、Katz、LHNII、ACT和MFI）分成4大类（基于共同邻居、基于路径、基于随机游走和基于矩阵森林指数）提取网络特征用于堆叠模型,结果表明预测效果不佳;然后,组装了11个相似性索引作为复杂网络的特征集,并用“Pearson r和SVM-RFE”的组合策略选取适用网络的最佳特征;最后,分别在袋装和堆叠模型中集成4个分类器用于混合链路预测。在6个真实数据集上实验测试表明,相比其他链路预测算法,该算法具有更好的稳定性和准确性。