随着现代通讯技术的不断发展和科学研究复杂度的不断增大,科研合作逐渐成为人们解决各种科学问题的有效途径。国家、机构、个人等不同形式、不同层面的科研合作关系不断涌现,相关的科研合作关系研究也逐渐引起了学者们的广泛关注。其中,为进一步促进科研合作交流和学科进步,科研合作预测研究愈发火热。相关研究以科研合著论文作为科研合作的主要表示形式之一,从文献数据本身或基于其构建的科研合作网络中提取作者间的相似性特征,以此为不同的作者推荐合适的科研合作对象。然而,通过梳理文献发现,相关研究中存在以下不足:一是未能充分利用科研合作网络的结构特征和知识属性特征对不同作者节点的重要度进行详细区分;二是相关研究常默认科研合作网络静态不变,忽略了网络中节点和边的动态变化信息;三是在使用作者外部属性信息计算作者间的相似性时,仅考虑了作者间的直接联系,忽略了作者间的间接联系。为弥补现有科研合作预测研究中的不足,本研究做了以下三点尝试:一是从网络结构、合作能力和学术影响力三个层面考察作者节点的重要度,然后将其对应的网络结构节点重要度评价指标（度中心性、接近中心性、中介中心性和聚类系数）、合作计量指标（合作率、合作度、合作系数、修正合作系数、合作能力指数）和科研成果评价指标（发文量、被引频次、H指数、G指数）与科研合作网络拓扑结构特征相结合,提出多个基于节点重要度的科研合作预测指标。二是从时间特征出发,引入活跃度、影响力、合作倾向三个指标对作者不同时间段发表的论文、不同时间段产生的被引频次和不同时间段的合作程度进行区别处理,然后将这三个指标与科研合作网络拓扑结构特征相结合,提出多个基于时间特征的科研合作预测指标。三是利用作者、关键词、机构信息分别构建作者-关键词、作者-机构二分图,在此基础上使用Sim Rank算法完成作者外部属性相似度的计算（研究兴趣相似性和合作机构相似性）,该算法不仅考虑到了作者间的直接联系,也衡量了作者间的间接联系。最后,本研究将web of science核心合集作为文献数据来源,从该平台获取了Information Science＆Library Science、Law、Physiology、Communication和Oceanography五个学科类别的文献数据并构建相应的科研合作网络进行实验分析。首先,在对现有科研合作预测中常用的指标和方法进行评估筛选后,将Node2Vec网络表示学习方法和基于节点结构相似性的预测方法（CN、PA、LP、Cos+）分别作为基准预测模型。然后,对基于节点重要度、基于时间特征和基于作者外部属性的科研合作预测新指标进行评估筛选,将筛选后的指标分别引入到两个基准预测模型中,构建融合多类新特征的科研合作预测模型,采用随机森林分类方法进行训练预测与分析评价。最后,为进一步验证本研究所提出的融合多类新特征的科研合作预测模型的稳定性,本研究不仅对负样本进行随机抽样以模拟更多样的数据变化情况,还选取了更多的分类方法（决策树、朴素贝叶斯、人工神经网络、逻辑回归）进行训练与预测。实验结果表明:（1）基于作者外部属性的科研合作预测指标（合作机构相似性、研究兴趣相似性）对预测效果的提升最明显;基于节点重要度的科研合作预测指标次之;基于时间特征的科研合作预测指标最后;而同时融合三种类型的指标,其预测精确度在两个基准预测模型中都产生了显著的提升效果。（2）不同正负数据样本环境下、不同分类方法中的实验结果进一步表明:本研究所提出的融合多类新特征的科研合作预测模型,其预测效果不受正负数据样本比例变化和分类方法变动的影响,在不同情况下均能产生比两个基准预测模型更为优良的预测效果。