本文以复杂网络特性以及链路预测算法为主要研究内容，研究的主要目标是提升复杂网络中链路预测算法的准确度，并且期望将复杂网络的结构特性应用到链路预测中去从而提升算法的预测效果。
　　首先，通过实验去模拟复杂网络中WS小世界模型及BA无标度模型的建立过程，由实验结果去分析各模型中聚类系数与重连概率或网络规模之间的关系。并且发现WS小世界模型中聚类系数的计算公式依赖于网络规模这样一个前提。
　　其次，本文对现有的基于节点相似度的算法中节点度数进行指数幂，通过比较不同幂指数下算法的预测效果，发现中间节点的度数对预测效果产生的作用要远高于终节点自身度数所发挥的作用。根据这一结论对现有的RA指标算法进行改进，给出了一种基于节点相似度的CRA指标算法，进一步区分了计算相似度指标时不同邻居节点对两个终节点的相似度差异。通过在不同的网络中选择合适的幂指数，给出了改进的CRA-Ⅱ指标算法。在多个不同的真实网络中进行重复实验，由平均预测结果得出CRA指标算法的预测效果与其他相似度指标算法相比在多个网络中都得到了不同程度的提升。并通过选取合适的?参数值，使得CRA-Ⅱ指标的预测效果与CRA指标相比得到进一步提升。
　　再次，通过对多个数据集的网络结构图进行抽象展示以及社团结构的划分，从不同的社团结构中选取了几个比较常见的基本网络结构模型，并对各相似度指标在不同模型中的预测效果进行分析。从社团结构入手给出了一种较为新颖的基于邻居节点结构相似度的LSCN指标算法。通过节点与其对应节点的所有邻居节点的结构相似度来计算节点对之间的连接概率，从而预测两个节点之间产生连接的可能性。并且由最终的实验结果可以看出，在多个数据集中算法的预测效果与其他依据节点结构相似性的算法相比得到了明显提升。之后本文又对LSCN指标进行改进，给出了LSCN-Ⅱ指标算法，进一步考虑二阶邻居节点的结构相似度。并通过不断实验对不同的数据集选取最佳的?参数，使得最终的预测效果与LSCN指标相比得到进一步提升。
　　最后，本文用复杂网络中的边介数去替换连边权重，一定程度上解决了加权网络中权重缺失的问题以及权重的计算方法不统一的问题。并且通过实验进一步验证了加权网络中的弱连接效应，由最终实验结果也可以看出通过边介数替代权重可以提高加权网络中的预测效果。