链路预测一直是复杂网络科学领域研究中的一个热点问题。大多数现有的复杂网络链路预测算法主要是基于单个相似性指标来进行研究,然而,它们的应用范围都有各自的局限性和分离性。针对这一问题,本文研究了在机器学习若干算法的框架下,基于四个相似性指标融合的复杂网络链路预测问题。主要的研究工作包括以下两个方面。(1)基于四种相似性指标,即局部信息-CN、路径-LHN-II、随机游走-COS+和矩阵森林指数-MFI,本文通过提取复杂网络中任意两个节点的特征,构造出特征向量,并应用机器学习中的随机森林算法进行模型的训练学习,提出了一种新的复杂网络的链路预测算法。以美国航空网络为例,对比已有的基于单个相似性指标所得到的AUC值,发现本文所提出的算法AUC值有所提高,稳定性更好(2)为了进一步提高链路预测的精确度,本文将集成学习的思想引入复杂网络链路预测研究领域。通过逻辑回归算法和Xgboost算法对上述融合性指标构建基模型,每个基模型得出网络节点对是否存在连接的概率特征,并在此基础上再次利用逻辑回归算法对此概率特征进行Stacking集成训练模型。最后,以真实的美国航空网络和线虫神经网络为例,对比已有的算法,实验显示本文所提方法的AUC值有提升,且具有更好地稳定性和召回率。