复杂网络领域中,链路预测是其中一个关键的研究方向。链路预测就是根据网络的已知拓扑信息去预测网络中丢失的连边、潜在的连边或在未来某一时刻将会出现的连边,甚至可以找出网络数据集中错误的连边信息。目前,科学家针对链路预测问题提出了不同的算法。基于节点相似性算法分为基于局部信息的相似性算法和基于全局信息的相似性算法,局部相似性指标使用网络中局部邻居和结构信息进行相似性大小预测,计算复杂度低,准确度低;全局相似性指标是利用网络中较多的信息,预测的准确度高,计算复杂度高。基于机器学习的方法中常用Deepwalk和Node2vec,以及无监督学习中的聚类算法等。扰动方法中有SPM结构扰动方法,该方法通过固定特征向量,改变特征值达到扰动的效果。本论文针对一些经典算法的不足提出了三种基于结构扰动的算法,将传统的相似性指标与SPM结构扰动、DPC聚类以及Node2vec方法结合起来。本文的主要工作有以下几点:（1）基于扰动的节点特征值峰值聚类链路预测算法。SPM算法可以恢复网络部分缺失信息,DPC算法能够识别噪声点并去除噪声,因此我们将两个算法结合。SPM使用扰动方式恢复部分缺失的信息并得到重构网络;使用重构网络中的信息获取网络的节点中心性指标作为的特征,分别为度中心性、介数中心性、接近中心性和特征向量中心性,特征用于计算DPC算法中的距离矩阵;DPC聚类算法根据局部密度和相对距离找出并去除噪声独立点,弱化噪声。大部分网络在经过扰动和聚类之后,比单独使用其中任何一种算法以及部分相似性指标的预测准确度都有所提高。（2）基于扰动和相似性的峰值聚类链路预测算法。上一个工作中我们仅使用节点的四个中心性特征值,使用的网络信息不全面,在该方法中我们采用相似性指标对这一问题进行改进,将经典指标融合作为连边的特征向量。该算法采用第一个工作中的方法,直接作用于网络的邻接矩阵,利用矩阵的理论知识对其重构,恢复网络缺失的信息;利用重构的拓扑信息对网络进行社区分类并去除噪声。两个算法中我们给出有向网络、无向网络以及加权网络不同的处理方式。该算法在一些真实的网络数据集上得到验证,比第一个工作得到的预测准确度更高。（3）基于扰动和矩阵分解的Node2vec算法。本算法是通过机器学习和经典指标结合的方式,通过对目标矩阵分解,得到网络的表示矩阵作为特征矩阵,预测网络连边的相似性分数。受SPM算法的启发,使用部分相似性指标得到网络的相似性矩阵,循环的将部分已知信息加入到相似性矩阵以达到扰动的效果并得到重构矩阵,重构矩阵中的元素与Node2vec算法的转移矩阵中对应元素相乘,作为目标函数中的邻接矩阵相对应位置元素;目标矩阵使用奇异值分解得到节点的特征矩阵,两个节点特征向量之间的余弦距离作为连边的存在概率。该方法与仅使用的相似性指标或直接使用原始网络邻接矩阵相比,预测连边的准确度高,这也为链路预测提供了一个新的方向。