近年来,随着统计学、物理学、社会学和计算机科学等多门学科的交叉性研究的兴起,复杂网络分析逐渐成为交叉性科学研究的热点。链接预测是根据网络结构属性预测网络中节点之间是否存在链接的方法和技术。该技术作为复杂网络分析的主要研究方向,在模拟网络演化、学习网络表征等理论研究方面,以及推断信息传播、提供推荐服务等应用服务领域均有重要的研究价值。但是由于数据规模的不断扩大,网络结构也日益复杂,使得已有链接预测算法的有效性大大降低。因此如何充分利用复杂网络结构信息设计链接预测算法成为该领域中新的难点和重点。同时随着人们对机器学习与数据挖掘领域研究的不断深入,如何学习网络中的复杂结构提高链接预测算法的性能也受到极大的关注。本文以挖掘共邻节点贡献、加权聚类系数、影响力节点和社区信息等复杂网络结构特征为主线,结合贝叶斯模型、随机块模型、迁移学习等机器学习技术对基于复杂网络结构的链接预测算法开展了深入细致的研究,并做出了以下主要贡献:（1）新近提出的基于局部朴素贝叶斯概率模型的链接预测算法能够度量不同共邻节点对潜在节点对的贡献,实现简单且有效。但该算法假定每个共同邻居对链接的形成产生单独作用,并不能反映网络各节点相互连接的图状结构特征。针对这一问题,本文提出了一种基于树状增强朴素贝叶斯概率模型的链接预测算法。该算法利用互信息来度量共邻节点之间的潜在相关性,有效地解决了其中的独立性假设限制。在对人工网络、真实网络的实验结果证明了其相对于传统算法的优越性。（2）在加权网络中,基于局部结构的相似度指标被广泛用于加权复杂网络的链接预测问题。然而此类指标忽略了共同邻居对计算潜在链接相似度产生的不同贡献,也没有计算局部结构中共邻节点之间链接的不同加权权重。因此,本文通过引入加权聚类系数的概念把无权的朴素贝叶斯预测算法拓展到加权复杂网络的应用场景。在真实加权网络的大量实验上证明了提出算法的有效性。（3）基于局部结构的预测指标对网络中所有可能的链接计算相似度,并无区分链接是否处同一社区或者不同社区之间,也没有区分处于不同社区结构下共邻节点对预测节点对的影响。因此本文通过划分社区结构提出了一种差分化处理潜在链接和共邻节点贡献的预测算法。该算法把链接划分成社区内部和社区间两类链接计算相似度,同时提出了共邻节点链接度和社区参与度的概念,有效地处理了在社区划分下不同共邻节点的影响。大量实验表明算法能够有效提高链接预测效果并推广到CN和Jaccard指标当中。（4）社区表示在复杂网络中的簇。同一社区内部节点之间的链接比较紧密,而社区与社区之间的链接比较稀疏。本文借鉴了经典的随机块模型和社交圈子发现算法,提出一种平衡模块度最大化的链接预测算法（MMLP）。MMLP首先搭建一个强调内部链接的概率生成过程。该过程能够有效的利用模块度定义解释链接预测和社区发现之间的联系,同时把集成特征和链接相关联,从而学习不同特征在不同社区的权重。大量的实验表明MMLP比基准算法取得了更好的预测效果。（5）面向多维度异构网络的链接预测算法缺点在于显式地使用维度间的关联。即在原有的同构算法基础上添加和维度相关的概率表示,并没有深入挖掘各维度子网络之间的隐含关系。同时各种用于计算相似度的特征均是基于局部结构或者路径结构的特征,是领域相关的,并不具备一般性。为了克服这些缺点,我们在MMLP的基础上采用迁移学习的思想用源维度子网络学习的知识帮助目标维度子网络的预测,提出一个社区层次的内部维度间知识迁移的算法（ITLP）。ITLP既保留了MMLP在挖掘社区变化和链接生成之间的关系的特点,更通过迁移学习的思想有效地拓展到多维网络链接预测中。在真实多层次数据集的实验证明了ITLP的鲁棒性。（6）许多通过共邻节点影响权重定义相似度的预测算法没有办法同时把网络的宏观（全局）和微观（局部）两类特性纳入到同一个算法当中。即使部分算法能够集成上述特性,但运算效率低,没有办法拓展到较大规模的密集网络当中。为了克服这些缺点,提出一个基于全局性影响力节点识别的链接预测算法。该算法通过引入有影响力节点识别技术中的节点影响力排名得分来定义不同共邻节点的贡献,有效集成了局部结构和全局结构的影响。在无权网络和加权网络的大量实验表明,提出的算法能够快速并准确地完成较大规模具备密集结构网络的链接预测任务。