随着网络信息技术的迅猛发展,生活中涌现出大量的复杂系统,网络科学研究得到了快速的发展。链路预测作为复杂网络研究的重要分支之一,是用来预测网络中没有连边的节点间未来产生链接的可能性。链路预测的研究不但可以帮助理解复杂网络的演化机制,而且在商品推荐、预测蛋白质间的相互作用、信息推送等不同的领域中具有广泛的实际应用价值。由于网络的拓扑结构特征容易获取并且可靠性更高,基于网络结构相似性的预测方法得到了许多的关注。现有的预测指标大多是根据拓扑结构信息来衡量节点间的相似度,但却忽略了每个节点重要性的差异,即不同的节点在网络中的影响力也不同,而它们对连边产生的贡献程度也不同。因此,本文考虑到每个节点贡献度的区别,从三个不同的角度提出了新的链路预测算法。首先,参考网络资源分配的过程,提出了节点贡献度的定义,并使用介数中心性和接近中心性两种节点重要性的评价方法来衡量节点贡献度的大小,提出了基于节点贡献度的链路预测指标,即RBC和RCC指标。在多个不同的网络上的实验结果表明,RCC指标能够得到较好的预测效果,也验证了新指标的有效性。其次,为了提高预测精度,将节点贡献度的概念与网络的局部信息相结合。在基于局部相似性的链路预测指标的基础上,考虑了共同邻居节点贡献度的信息,提出了6种改进的预测指标。通过对真实网络上的实验结果进行分析,结果表明这些新指标的预测精度都得到了一定的提高。最后,基于相似性的预测方法大多是从被预测节点的共同邻居出发,忽略了被预测节点与其共同邻居之间连接的紧密程度也会影响预测的结果。因此,为了进一步提高算法的预测性能,本文将被预测节点与其共同邻居节点之间连接的紧密性和共同邻居节点的贡献度相结合,提出了新的预测指标,即CRBC和CRCC指标。在多个网络上的实验结果表明,CRBC和CRCC指标能够获得更好的预测结果。本文对所有提出的指标进行了大量的实验,结果表明这些指标都能使预测的准确性得到一定的提高,同时对预测算法的深入研究也具有重要的意义。