许多真实世界的系统可以抽象为复杂网络,利用复杂网络分析能够探测和揭示复杂系统中有价值的信息。在复杂网络分析中,链接预测是一个热点话题,它可以发现网络中缺失的链接并可以预测新出现的链接。由于其在众多应用中的重要性,对链接预测的研究受到了不同学科越来越多的关注。在现实社会中,大多数网络是加权网络,链接的权值可以描述节点之间关系的强弱。然而,由于弱联系现象的存在,加权网络中的链接预测仍然是一个挑战。为了解决这个问题,我们提出了两个基于模体信息的链接预测方法,这两个方法不受弱联系现象的影响,能够很好地解决加权网络中的链接预测问题。（1）基于模体预测器的相似性方法。由于一些加权网络存在弱联系现象,使用权值信息反而会降低预测的精度。为了解决这一问题,本文提出了一种新的链接预测方法,它可以自适应地评估节点对连接的可能性。在该方法中,我们将链接根据它们的权值划分为四种类型,并根据此划分得到10对模体预测器。然后,利用朴素贝叶斯模型测量两个未连接的节点基于模体预测器的连接概率。最后,对所有预测器的概率求和,得到这两个节点的最终得分,得分越高的节点对越可能出现链接。我们在多个真实和合成的加权网络上进行了多组实验,研究了该方法的性能。结果表明该方法在大多数情况下的精度都优于对比方法。（2）基于模体预测器的有监督方法。考虑到有监督方法的优势,在上一方法的基础上,我们进一步将加权网络链接预测视为一个二分类问题,提出了基于模体预测器的有监督链接预测方法。在该方法中,我们先将10个模体预测器当作节点对的特征,然后引入了3个加权相似性指标以及3个基于三路径的特征,最后使用XGBoost分类器训练预测模型。为了验证提出方法的有效性,我们在9个真实加权网络上进行实验。结果表明,在大多数网络上提出的方法取得了更好的预测结果。