动态网络作为现实中普遍存在的一种网络形式,网络中的每条链接被赋予时间戳以表示该链接的形成时间。动态网络中的链接预测问题是指,利用网络中历史链接的形成情况,推断未知链接是否会在将来形成。链接预测研究在各种网络上的广泛应用要求链接预测方法能够适用于各种不同的网络结构,且能够处理动态网络中特有的时间戳信息对链接形成的作用。然而目前的研究中鲜有能够满足上述2点要求链接预测方法。本文提出了一种新的链接特征量,即结构子图特征(Structure Subgraph Feature,SSF),并将SSF分别应用到线性回归模型,逻辑回归模型和神经网络模型中构造出3个链接预测算法。SSF得益于以下2点优势:首先本文提出的结构子图是一种非常高效的链接周围网络拓扑结构表达方式,为结构子图特征量编码多种拓扑信息提供了基础;其次,本文提出的规范化的影响力能够有效处理动态网络中链接不同形成时间和网络节点之间形成的多链接带来的影响。SSF是一种表达链接周围网络拓扑结构的特征向量,其编码多种拓扑信息的能力和处理时间戳影响的能力,使基于SSF的链接预测算法能够应用于动态网络中,并适用于不同的网络结构。本文对基于SSF的3个链接预测算法,即SSFLiR,SSFLoR和SSFNM在7个结构特点各不相同的动态网络数据集上与11个经典链接预测算法进行了对比。实验结果表明基于SSF的3个链接预测算法较基准算法有着明显更优的链接预测效果。尤其SSFNM在所有算法中表现最优,其能够在7个动态网络数据集上保持顶级的链接预测效果。实验证实了本文提的结构子图特征能够广泛适用于不同的网络结构,并能够较好地处理动态网络中特有的节点间多链接和链接不同的形成时间带来的影响。