近年来,随着信息网络技术的普及与发展,网络中产生的数据量急速增长,其包含的信息也愈加丰富,利用信息网络的研究去指导人们的现实生活已成了一种必然趋势。链路预测作为信息网络的主要研究内容之一,其目的是预测信息网络中节点与节点之间产生链路的可能性。链路预测有着理论研究价值,在社交网络、生物医药、金融等领域有着广泛的应用。链路预测的核心问题是探究网络的演化规律和结构特性。尽管目前链路预测的方法众多,但是融合多种特征的方法较少,多数方法仅考虑拓扑特征、语义特征或时序特征,未能有效利用特征融合进行链路预测。同时,现有的链路预测方法大多基于同构网络,而现实生活中大量信息网络具有异构特征,针对异构信息网络的研究还亟需深入。针对上述问题,本文提出了一种基于社区划分和矩阵滑动的链路预测模型（Link Prediction Model based on Community Division and Matrix Sliding,简称LP-CDMS）。与传统方法相比,充分考虑频繁子图这一重要的微观网络结构,探究其在网络中的演化过程;同时利用了社区结构这一拓扑特征,并将语义特征与拓扑特征融合。本文的具体研究内容如下:（1）提出了一种融合时序特征的频繁子图挖掘模型（Frequent Subgraph Mining Model based on Sequential Characteristic,简称SCFSM）。充分考虑复杂信息网络中频繁子图这一微观结构特征,对复杂信息网络进行图划分后,利用频繁子图挖掘算法对特征进行挖掘;然后通过时间序列模型对挖掘结果进行时序性分析。（2）提出了一种改进模块度的FN（Fast Newman）算法。该算法将一个异构信息网络划分为多个同构信息网络和多个异构信息网络,分别计算划分后各网络的模块度,对其求和得到总模块度并进行归一化处理,通过FN算法不断更新总模块度,获得模块度最大时的社区划分结果。（3）提出了一种基于社区划分和矩阵滑动的链路预测模型（LP-CDMS）。该模型利用SCFSM挖掘出的频繁子图和改进模块度的FN算法的社区划分结果,使用矩阵滑动,将频繁子图的近似子图在每个社区内进行滑动匹配,找到近似子图向频繁子图演化而形成的边,融合节点的属性相似度,计算形成边的概率。（4）将本文提出的模型在DBLP数据集上进行了实验,与一些算法比较,验证了本文提出的LP-CDMS方法的可行性和有效性。