当前复杂网络研究中的热点问题是理解复杂网络的演化，而网络演化建模中一个基本的计算问题是链路预测。本文主要关注复杂网络上的链路预测算法，其中基于相似性的预测算法是本文的研究重点。本文在一组真实网络数据上的实验表明，集群系数对各种相似性指标的预测结果有比较重要的影响，尤其是对局部相似性指标，比如CN和RA。一般来说，对高集群系数的网络，各种相似性指标都可以给出比较满意的预测结果。需要注意的是，利用网络路径信息的相似性指标，比如Katz和LP，其中路径长度的最优上限与网络平均路径有直接的关联，一般来说，路径长度的最优上限等于网络平均距离，如果加入长度超过平均距离的路径信息，算法的预测结果可能还会变差。另外，本次实验发现，基于随机游走的算法，比如LRW和RWR，对网络拓扑的变化不敏感。尤其LRW指标，在各种网络上都能够给出比较满意的预测结果。　　 另外，本文提出了一个普适的验证模型，可以从中发掘网络演化过程中的一些特性。并且在此模型之上，实验验证了“新链路”对局部网络演化产生的影响。本文利用加权的相似性指标给新链路赋予较大的权重，这样在下一步的预测中，新链路会给算法更多的贡献。实验表明，对新链路加权的预测算法产生的结果更准确，证明了相比于旧链路，新链路对局部网络演化会产生更大的影响，或者说，新链路将在局部网络诱导出更多的链路。这个结果为复杂网络演化机制的研究做出了一定的贡献。