随着网络信息技术的迅猛发展,人类社会进入复杂网络时代。链路预测作为复杂网络的重要研究方向之一,受到越来越多的关注。链路预测是指如何通过观测到的网络信息来预测网络中尚未相连的两个节点之间产生链路的可能性。链路预测有着重要的理论研究价值,如揭示网络的结构和演化机制,同时也有着丰富的实际应用价值,可用于指导生物实验、推荐系统等。近年来,涌现了大量的链路预测算法。其中,基于相似性的链路预测算法简便高效且易于理解,是链路预测领域的主流算法。传统基于相似性的算法大多利用网络的节点信息以及路径信息进行预测,其中,大多数基于路径信息的指标仅简单地对节点间路径数目进行求和,没有考虑过路径之间的相关性,未能充分挖掘路径信息对链路预测的贡献。为了探究路径之间的相关性对链路预测结果的影响,本文在现有的指标中引入路径相关性,主要工作如下:（1）基于路径相关性的局部路径指标。传统基于路径信息的指标仅简单地对节点间路径数目求和,没有考虑过路径相关性对链路预测结果的影响。本文提出一种基于路径相关性的全局路径指标,利用所有路径数目信息以及路径之间的相关性进行链路预测。为了通过实验具体探究路径相关性对预测结果的影响,本文将上述指标简化,提出一种简化的局部路径相关性指标,仅用二阶路径和三阶路径数目以及它们之间的相关性进行预测。实验结果表明路径相关性的引入能够提高链路预测效果。（2）基于路径相关性的加权路径指标。传统基于路径信息的指标只考虑节点间各阶路径的数目,并未考虑路径的异构性,即在无权网络中相同长度路径对相似性的贡献也是有差异的。现有的重要路径指标给定一种为不同路径进行差异性赋权的方式,考虑路径之间的异构性,更准确地挖掘了路径信息。本文在重要路径指标中引入相关性,同时考虑路径异构性和路径相关性对链路预测结果的影响,挖掘了更准确更深层的路径信息。实验结果表明引入相关性后的指标在大多数网络中的预测精度均有提升。其次,本文将基于路径相关性的局部路径指标推广至真实的加权网络中,提出一种基于路径相关性的加权路径指标,实验结果表明该指标在大多数加权网络中的预测效果优于现有的其他加权指标。（3）基于路径相关性的线性优化指标。线性优化指标是当前预测性能较高的链路预测指标之一,该指标利用节点的所有邻居节点对另一节点的贡献的线性和定义节点的相似性分值。考虑到网络结构形成的重要驱动因素“局部性原则”,即有很多共同邻居的节点对间更容易产生新的链路,节点间的二阶路径与链路即一阶路径之间有着很强的相关性。本文将这种相关性引入线性优化指标,在考虑节点所有邻居节点贡献的同时考虑节点所有二阶邻居的贡献,提出一种引入路径相关性的线性优化指标,并将其扩展至有向网络中。同时,该指标也可视为对原本线性优化指标的邻接矩阵进行了改进,使其更接近真实网络的邻接矩阵。实验结果表明引入路径相关性后的指标在大多数网络上的预测精度都有所提升。