机会网络是一种不需要源节点和目标节点之间存在完整链路,利用节点移动带来的相遇机会实现通信的自组织网络,其中消息在节点间以“存储-携带-转发”的形式进行传输。链路预测是机会网络研究中的热点和难点之一,链路预测目的是利用网络中已知链路和节点属性,评估节点间是否存在链路。优秀的链路预测方法既能发现链路变化规律,又能辅助研究人员进一步了解和分析整网拓扑变化,从而为设计机会网络路由提供理论支撑。针对机会网络拓扑随时间频繁变化的特点,本文提出一种基于随机游走和深度学习的机会网络链路预测方法（A Link Prediction Method for Opportunistic Networks based on Random Walk and Deep Learning）。根据节点二阶邻居和节点间的交互信息,分别重构随机游走算法中网络的马尔科夫转移概率矩阵,提出了两种改进的重启随机游走指标（Improved Random Walk with Restart,IRWR）:结合二阶邻居信息改进的重启随机游走算法和结合节点间交互信息改进的重启随机游走算法;对机会网络数据集进行切割得到一系列时序的网络快照,利用两种IRWR指标计算各个快照中节点间的相似度值,分别构造网络的相似性矩阵集合,然后根据节点对历史信息对当前状态的影响,构建对应的样本数据集合;利用深度信念网络（Deep Belief Network,DBN）在预训练和特征提取上的优势,构建基于IRWR和DBN的链路预测模型（Link Prediction Model based on Improved Random Walk with Restart and Deep Belief Network,IRWR-DBN）,学习机会网络中链路变化与其历史信息之间的关系,提取链路变化的内在特征,进而预测节点对在未来是否连接。本文选取网络规模大小和稀疏程度各不相同的真实数据集HYCCUPS、ITC和MIT作为实验部分的数据集,采用评价指标精度（Precision）以及AUC评价本文预测模型IRWR-DBN的性能。本文分别在基于IRWRn和IRWRi指标构建的样本数据下,设置不同的时间切片的长度和输入数据的长度等参数,计算IRWR-DBN模型的AUC和Precision,根据实验结果确定模型的最佳参数;将最优模型与CN、AA、Katz、RA、RWR、CNN、RNN-LP和E-LSTM-D等链路预测模型进行比较,实验结果显示,本文提出的IRWR-DBN模型相较于经典的相似性指标具有较好的预测结果,与CNN、RNN-LP和E-LSTM-D等深度神经网络模型相比具有更好的稳定性和准确性。