近年来，在线社会网络以指数级速度飞速发展，已经成为世界各地人们生活的重要组成部分，为人们提供了一个思想交流和贸易经营的平台。目前流行的在线社会网络平台主要有人人网、Facebook、Twitter以及Flickr等。然而，随着互联网和信息技术的迅猛发展，这些社会网络的规模越来越大，包含的信息量越来越多。如何有效地挖掘利用这些网络中包含的大量潜在有用信息，已经成为很多研究领域一个重要和富有挑战性的问题。为解决上述问题，链接预测作为数据挖掘的一项重要任务，开始成为各学科研究者们近年来的研究热点。　　现有的链接预测方法主要是基于节点相似度来进行链接预测的。然而，在实际应用中，这些方法存在诸多亟待解决的问题。例如:基于局部信息的链接预测方法虽然有较低的计算复杂度，但是其预测精度较低;基于全局信息的链接预测方法虽然有较高的链接预测精度，但是其计算复杂度较高。并且，这些现有的链接预测方法忽略了网络的聚类信息。研究证明，社会网络中的聚类信息对链接预测具有很重要辅助作用。本文针对现有链接预测方法存在的问题，在基于节点相似度的链接预测方法基础上，对链接预测中基于聚类信息的若干关键技术进行了深入的研究，现将主要工作总结如下:　　第一，对链接预测技术产生的背景、国内外研究现状和应用前景进行了较详细的分析和研究。　　第二，在上述基础上，对现有链接预测方法进行了细致的研究，分析了现有方法的优点、存在的问题及其根源。　　第三，针对现有链接预测方法存在的问题和实际应用的需要，结合大多数社会网络的特点，从网络聚类的角度，提出了一种基于聚类的链接预测方法，使用人造数据集和真实网络数据集，通过实验结果验证了该算法在预测准确度上的有效性。　　第四，针对社会网络的稀疏性问题，在上述方法的基础上，提出了基于协同聚类的链接预测方法，较详细分析了该方法的时间和空间复杂度。使用人造数据集和真实网络数据集，通过实验验证了该方法在预测精度上的有效性。　　第五，为进一步满足实际应用的需要（较高的链接预测精度和较低的计算复杂度），对基于协同聚类的链接预测方法进行了改进，提出了节点耦合聚类的链接预测方法，该方法通过聚类系数来捕获社会网络的聚类信息，与采用聚类方法来获取网络的聚类信息相比，有较低的计算复杂度。使用人造数据集和真实网络数据集，通过实验验证了该方法在预测精度和效率上的有效性。