网络科学作为一门新兴的交叉学科,涉及到数学,物理学,计算机科学,社会学等不同学科领域。来自各个领域的数据呈现出指数式增长,这为基于数据的分析建模带来了极大的挑战。伴随数据量的增加,数据之间的关联复杂性也随之增加,复杂网络为有效刻画数据复杂关系提供新的方法,并为各个领域数据的分析挖掘提供了新的视角和工具。其中在科学学领域,已经出现了很多优秀的成果。比如预测论文未来的引用次数一直是研究的热点方向,很多学者试图去构建基于复杂网络的模型,使模型能够根据论文已有的发表早期的信息,完成对论文的后续引用动态的预测。本文的工作是使用论文发表后的早期信息来预测其在未来是否有潜力成为高被引论文,即高被引论文预测的冷启动问题,目前大多数对高被引论文的研究,使用的都是完整的引文数据集,即使用论文发表后的被引信息去预测其是否能成为高被引论文,这类研究并没有考虑到,在论文发表后的早期阶段,对论文能否成为高被引论文进行预测的现实意义,若能在早期对高被引论文进行有效预测,则可以对未来的研究方向进行有效的判断,合理的分配科研资源,并攻克相关的科研难点,同时也能尽早的挖掘出科研人才并进一步培养。本文的主要工作如下:（1）介绍科学学中论文引文预测和学者学术生涯预测相关工作的研究现状和研究动机,并总结了目前主流的3类引文预测方法。随后对本文中所用到的相关理论、指标和方法进行综述,提出了使用论文早期信息预测高被引论文的7种指标,这7种指标分为基于个体层面的指标和基于网络层面的指标。（2）对论文所需要的数据集进行分析和处理,并对引文数据集进行关联整合与数据清洗,以及初步的分析工作。（3）使用上述指标作为特征,基于个体层面指标从统计分析的角度对高被引论文的引文动态进行研究。网络指标使用了基于引文网络的Page Rank指标和Leader Rank指标,基于上述网络指标,对高被引论文进行预测,发现Page Rank指标和Leader Rank指标的加入,能够有效的提升模型的预测精度。最终,实验结果显示通过这7个指标可以在论文发表早期有效的预测其后期成为高被引论文的可能性。