在网络中,链接预测任务是指在已知网络拓扑结构的基础上,预测未观测链接的状态。网络链接预测中,节点和链接随时间发生变化,节点间链接关系的形成不仅受节点所处网络结构的影响,还受网络演化过程的影响,构成复杂的动态网络演化过程,在此背景下的链接预测问题称为动态网络链接预测。动态网络链接预测是网络态势感知、序列推荐、知识图谱信息补全等应用领域的共有关键问题,具有非常重要的研究意义。动态网络数据由节点在不同时间点形成的链接构成。传统方法忽略了网络演化的时序信息,将形成的拓扑结构看成静态网络,研究链接预测任务。最近,一些研究设置时间窗口,将动态网络划分为不同的时间片,根据历史时间片信息预测未来时刻网络的链接状态,考虑到网络结构变化的时序信息。但针对每个时间窗口内的网络来说,未考虑到连边的时效性。此外,多数动态网络链接预测方法利用的局部结构信息不够丰富,具有丰富特征的链接表示可以被更好地判断链接存在的状态。为了更好地提升链接预测的准确性,本文设计融合多特征的动态网络链接预测模型。论文的主要贡献如下:（1）提出了融合节点表示序列和局部邻居表示的动态网络链接预测模型。为了更好地利用网络的时间属性,本文建立了节点表示序列的机制。节点表示序列机制引入网络表征技术和门控循环神经网络,学习不同时间片中节点的低维表示向量;为了充分利用链接的局部邻居特征,建立了目标节点对的共同邻居表示。最终,未来时间片链接的表示不仅包含了历史数据特征和预测得到的新特征,同时还增加了节点对的局部邻居特征。在五个数据集上的实验结果表明,所提出模型在AUC（Area Under ROC Curve）和AP（Average Precision）均优于其他基准方法。进一步地,在两种网络表征模型和三种分类器上进行测试,结果表明本模型鲁棒性强。（2）提出了基于链接时效性和局部子图结构的动态网络链接预测模型。在学习网络的时序特征时,建立了时序感知注意力模块,挖掘每个时间窗口内链接的时间特征;为了增强链接周围的局部结构特征表示,本文基于图同构算法（Palette Weisfeiler Lehman,PWL）,建立了局部子图结构模块,得到包含局部子图结构特征的链接表达。最后,融合两种特征,提升动态网络链接预测性能。经实验验证,本算法所提出的融合链接时效性和局部子图结构特征明显提升了链接预测的准确率;选取的时序特征越多（最近时间片数量）,预测准确性越高;局部子图结构中的邻居数目,在5-30范围内变化对于链接预测准确性影响较小。