作为涉及复杂网络、数据挖掘和信息科学等众多领域的交叉性研究问题，链路预测在理论和应用上发挥着日益突出的作用。为了有效挖掘网络结构特性，深入认识网络演化机制，近年来研究者已经提出了很多针对网络结构特征的链路预测方法。然而这些方法在性能方面仍有很大的提升空间，其根本原因在于网络结构特征存在广阔的研究空间。本工作紧跟国内外研究前沿，针对基于网络结构的链路预测问题进行了深入细致的研究和探讨，取得的成果如下：　　（1）进一步深入探讨国内外经典流行的链路预测方法，分析比较各种方法优劣的基础上引出新链路预测方法研究动机和目标。已有的预测方法多数是考虑节点对的共同邻居节点自身的结构特征，往往忽略了节点之间的联系紧密程度，而此特征也是一个重要的网络结构。为此，本文给出节点贡献这一定义，将边的信息融进点的定义中，其不仅能够描述节点之间紧密联系程度，还可以刻画节点之间的差异性，构造节点对的相似分数，最终提出新的链路预测方法--依据节点贡献的链路预测方法。在6组真实数据集上的实验分析表明新方法与三种经典的方法相比具有更高的性能。　　（2）在考虑共同邻居节点间连接的基础上，进一步研究邻居节点间可能的连接情况，将它们统一归为邻居集合间的连接。通过定义邻边贡献，刻画邻居集合的连接，描述节点连接可能性，最终提出新的链路预测方法--依据邻边贡献的链路预测方法。不同的网络呈现的结构特征有所差异，为了深入研究不同网络结构特征对节点连接的重要性，引入参数来区别不同特征对连接可能性的贡献，将其命名为依据贡献的链路预测方法。与其他方法在10个真实网络上结果对比，验证方法的可行性。　　总之，本文从多个角度研究刻画节点相似性的方法，提出了新的刻画节点相似性的指标，并在真实网络数据上对方法的有效性和可行性进行验证。本文的探讨研究为链路预测方法分析提供了新思路与新方法，在复杂网络和网络科学等领域有一定的理论应用价值。