现实生活中许许多多的复杂系统可以用网络加以描述。系统中的个体用网络节点表示,个体之间的联系和交互关系用连接边表示。一方面,由于采集成本、采集难度等因素,网络的结构信息往往是不完整的,因而存在未知链接。另一方面,绝大多数的网络都是动态的,会随着时间进行演化,产生新的连接边,称为未来链接。链路预测是一项挖掘网络信息的研究工作,它根据观察到的网络结构信息来预测网络的缺失链接(包含未知链接与未来链接)。链路预测问题不仅能帮助我们理解网络的演化机制,还能发掘网络中未知的、有价值的知识,因而具有重要的理论研究意义和应用价值。目前,基于相似性的链路预测算法通常只关注两个节点之间的相似性,没有做好相似度的分配工作。而“相近节点”和“热门节点”的存在,会使得高相似度节点之间包含大量的冗余信息,从而影响预测效果。针对信息冗余问题,本文提出了线性重构的方法计算相似度。首先,以节点的代数近邻作为线性重构的基,即通过节点的代数近邻去解释它的连边情况,以重构系数作为节点相似度。实验结果表明,虽然代数近邻是通过共同邻居指标筛选出来的,但经过线性重构的方法重新计算相似度后,其效果远远优于共同邻居指标,从而证实了线性重构思想的有效性。其次,考虑到在大多数网络中两个节点是否连边与其相似度有较大关系,本文将节点的一跳邻居(几何邻居)作为线性重构的基,利用线性重构的方法计算相似度。最后,通过线性加权的方法将代数近邻与几何邻居的信息结合,从而得到加权的线性重构相似度,再利用协同过滤的方法对链路进行预测评分,整个方法称为基于加权的线性重构相似度的协同过滤算法。基于加权的线性重构相似度的协同过滤算法包含两种形式:一般形式的WLRS算法、非负形式的WLRS-N算法。本文选取9种具有代表性的算法作为对照,在10个来自不同领域的真实网络进行了大量的数值实验。对算法的参数、收敛性、有效性、预测准确度、计算复杂度以及鲁棒性分别进行了讨论与分析。在预测效果上,WLRS、WLRS-N表现优秀,显著优于9种对比算法,大幅优于CN、AA、RA等传统算法。在计算复杂度上而言,WLRS算法的复杂度非常高,仅能用于理论研究,而改良的WLRS-N算法的复杂度大幅度降低,其复杂度高于CN、AA、RA等传统算法,略比结构微扰方法(SPM)高一点,但远比随机分块矩阵模型(SBM)低。在鲁棒性上,WLRS-N整体上具有较高的鲁棒性,优于CN、AA、RA、SBM、NMF等算法。总体来说,WLRS-N算法具有较高的精确度、适中的计算复杂度和较强的鲁棒性,而WLRS算法在理论分析上有重要的贡献。