伴随着以在线社会网络为代表的复杂网络的迅猛发展,链路预测一直是网络研究中的热点问题。链路预测不仅在理论上有助于深入理解网络的演化机制,同时也可以在许多应用中解决关键问题,如推荐系统、生物信息学等。目前链路预测方法主要基于两类信息,一类是网络的拓扑结构信息,比如网络的局部节点相似度信息等,另一类是外部属性信息,如节点的自然属性等。传统的链路预测方法以网络结构信息为主,现在越来越多的方法更关注于将两类信息融合在一起进行预测。这一方向的研究面临的主要问题有:一是如何有效地利用不同的网络模型进行预测;二是网络结构信息和外部属性信息如何才能有效地结合在一起用于预测;三是在大规模数据应用中需要设计更为高效的链路预测算法。本文针对上述问题,研究了在三种不同的网络模型下融合两类信息进行链路预测的方法,同时为每一种方法都设计了有效的算法。本文的贡献如下:（1）研究了在社会-属性网络模型中的链路预测方法。该模型中两类不同的节点在网络结构中的地位相似,只能依靠为不同类型的链路分配不同的权重来指导链路预测。针对该问题,本文在传统的只区分链路类型的方法基础上,提出了一整套可以区分不同属性类型的边权分配方法,并对其中几个重要参数的计算方法进行了研究,形成了完整的在社会-属性网络中利用带重启的随机游走方法进行链路预测的方法RWR-SAN。此方法作为在一个简单模型中应用的无监督预测方法具有一定的实用性,在两个真实的实验数据集上进行的实验验证了该方法的有效性。（2）研究了在虚拟属性网络模型中的链路预测方法。利用该模型进行链路预测包含两个问题:一是该模型下的两个独立网络如何融合,二是其中的虚拟属性网络边权如何生成。针对第一个问题,本文提出了在两个网络中同时进行随机游走的方法ARWR,有效地将网络结构信息和属性信息融合在一起用于预测。针对第二个问题,本文首先将节点属性组成的向量的相似度映射成属性网络的边权,而后又提出了一个新的有监督学习方法QsAN。该方法能够有效利用不同节点的偏好信息,优化计算得到针对某个特定节点的最优属性网络。本文又进一步提出了一种近似的快速算法使其能够应用在大规模数据集中。在两个真实数据集上的实验说明了ARWR方法和QsAN方法的有效性。（3）研究了在异构信息网络模型中的链路预测方法。异构信息网络下链路预测的研究大多以基于元路径的节点相似度为基础,但通常容易忽略在网络结构之外的其它属性信息。本文在异构信息网络的基础上又融合了节点的属性信息构建网络模型,并提出了一种将元路径下的相似度与其它节点和边属性的相似度融合在一起的框架。在此基础上,本文进一步提出了一个优化方程并设计推导了寻优的算法。作为在异构信息网络中进行链路预测的一种新的方法尝试,最终的实验表明了该方法相对于传统的机器学习类方法具有一定优势。综上,本文根据三种不同的网络模型的特点研究了融合网络结构信息和属性信息进行链路预测的方法,并分别设计了高效的计算算法。实验表明这些方法相比传统方法的预测效果均有提升。同时,本文对两类信息对于链路形成的贡献度进行了细致的实验分析,这对融合多元信息的链路预测研究具有重要的理论意义和应用价值。