网络链路预测是计算机科学、网络科学等诸多学科共同关注的研究课题。对网络节点之间缺失连边或未来连边的预测,有助于重构网络结构和探索网络演化的规律。目前,链路预测方向的研究思路主要是利用机器学习方法或者网络科学理论研究节点间的相似性,进而建立链路预测算法。然而,现有基于不同理论方法的研究相对独立。为了进一步提高链路预测精度,本课题将机器学习和网络科学理论相结合,对社交网络链路预测算法及系统进行研究。针对现有链路预测算法不能充分利用网络拓扑信息的问题,提出了一种基于贝叶斯理论的链路预测算法。首先,将网络节点的聚类系数进行推广,给出了路径的聚类系数定义。然后使用贝叶斯方法结合局部拓扑信息、全局拓扑信息和网络的演变趋势提出一种基于贝叶斯理论的链路预测算法。最后,将该算法分别应用于单层网络、多层网络和时变网络。实验结果表明,与Common Neighbors算法、Katz算法、Local Na?ve Bayes算法等链路预测算法相比,该算法的预测精度更高。研究了一种能够同时考虑网络中促进连接生成的元素和抑制连接生成的元素的链路预测算法。通过对社交网络数据的统计分析,发现节点的通信需求和节点连接的概率成正相关,而节点间已有通信能力（路径数量）足够大时,建立新连边的概率反而降低。综合考虑节点的通信需求和通信能力,改进逻辑回归算法提出了一种基于节点通信需求的链路预测算法。实验结果表明,该算法比典型逻辑回归算法的预测性能更好。为了在真实网络中测试链路预测算法,设计了一套社交网络朋友推荐系统。该系统利用爬虫技术获取QQ空间好友信息,并采用基于贝叶斯理论的链路预测算法进行用户关联度计算,进而实现朋友推荐。在真实社交网络中的实验证明了朋友推荐系统使用的基于贝叶斯理论的链路预测算法的应用价值,为该算法的进一步推广和应用提供了参考。