随着信息技术的发展,科研人员对复杂网络分析与相关方法的研究不断深入。链接预测作为复杂网络分析的一个重要研究方向,能够发掘网络中潜在的链接,具有广泛的应用价值。近年来,研究人员提出了许多基于网络结构的相似性链接预测方法,这些方法具有较低的时间复杂度和较高的可解释性,但是大多数方法通常仅考虑一种网络拓扑结构,忽略了不同网络的结构差异。因此,这些方法的性能不够稳定,普适性不高。针对这一问题,本文使用Dempster-Shafer（DS）证据理论融合不同网络拓扑结构,提出了两种新的链接预测方法—IMP＿DS与EKPNN。（1）融合节点聚集系数和非对称链接聚集系数的方法（IMP＿DS）。节点聚集系数与非对称链接聚集系数是常用的网络结构信息,从不同的角度度量了两个节点间存在链接的可能性。受到信息融合技术的启发,我们将两种聚集系数使用DS证据理论进行融合,将融合后的度量指标引入到中间概率模型（Intermediary Probability Model,IMP）,得到候选节点对的相似性分数。由于融合了两种聚集系数,因此相比于仅使用单一网络结构的链接预测方法而言,IMP＿DS方法的预测精度与适应性更好。在9个真实网络上的实验结果表明,相对于基础对比方法,IMP＿DS方法有着更好的预测性能。（2）基于K对最近邻的链接预测方法（EKPNN）。为了进一步融合更多的网络结构信息,提升链接预测方法的性能,我们结合DS证据理论与KNN算法提出了EKPNN方法。首先,利用多种网络拓扑结构构造节点对的特征向量,之后计算潜在链接的k对最近邻,并将每对最近邻看作一个证据源。最后,基于DS证据理论将k个证据源的信息融合,得到最终的节点间相似性分数。为了验证所提方法的预测精度与适用性,我们在12个真实的网络上进行实验,实验结果表明,EKPNN方法具有良好的预测性能,使用DS证据理论融合多种网络结构能够提升链接预测效果。