各种现实世界中的复杂系统可以表征为网络,因此复杂的网络科学已成为进一步揭示机理和理解现实现象的有力工具。链路预测作为复杂网络分析的热点之一,引起了不同领域研究者们的极大关注。研究链路预测,在理论方面可以帮助理解信息传播和信息扩散的机制,在实际领域则可以通过已知信息向客户推荐不同的项目或有效指导复杂的实验,减少探索未知物的成本。因此,复杂网络链路预测的研究具有重要的意义。最近的研究表明,很多真实网络在适航性,演化过程中表现出了双曲特性,这为复杂网络链路预测的研究提供了新的视角。双曲几何有助于人们理解复杂网络的隐藏结构和动力学特征,而获得并分析网络的双曲几何则需要利用双曲映射方法将网络嵌入到双曲空间中,对其进行量化表示。现有的网络双曲映射算法主要基于全局极大似然函数或者机器学习,在处理大规模网络时,往往会受到运行时间或内存空间的限制。为了解决这个问题,考虑到复杂网络具有社区结构和自相似性的特征,首先提出了一种社区紧密度指标（CNES）,并基于该指标,分析并探索了一种基于分层社区结构的线性时间复杂度的快速双曲映射算法（FM）。进一步地,提出了基于网络节点度和社区信息的局部极大似然函数,该局部极大似然函数替代全局极大似然函数对网络映射的双曲角度坐标的准确性进行量化。在FM算法的基础上,利用所提出的局部极大似然函数对节点双曲角度坐标进行优化,提出了基于局部极大似然函数的双曲映射算法（FMLE）,取得了算法映射精度和时间的平衡。利用网络的双曲几何,本文从网络结构的角度对链路预测进行分析,基于网络的双曲坐标是节点流行性和相似性综合权衡的体现,融入有效的拓扑结构信息,提出了基于网络双曲性和聚类系数的链路预测指标（HC）和链路预测算法（HC算法）,提高了链路预测性能。实验表明,HC指标有效刻画了链路相似性,在一定的网络映射精度之上,HC算法基本不受双曲映射方法准确程度的影响,具有稳健性,与主流的链路预测算法相比,也具有极高的链路预测准确性。