链接预测可以发现和预测网络中丢失的链接以及未来可能出现的新链接,并有助于研究网络的演化规律,已成为复杂网络分析中的一个重要研究方向。链接预测在许多应用中都发挥了重要的作用,因而逐渐吸引了大量学者的关注。真实世界的系统通常非常复杂,个体之间的关系多种多样。这些复杂多样的关系可以使用多层网络进行建模。现有的链接预测研究主要面向单层网络,而面向多层网络的研究相对较少。已有工作表明多层网络的层与层之间存在一定的相关性,利用其他层的信息可以有效提升目标层链接预测的性能。然而,如何有效地提取并利用多层网络中不同层的信息仍是一个具有挑战性的工作。为了解决多层网络的链接预测问题,本文设计了两个新的多层网络链接预测算法,分别将中介概率模型和朴素贝叶斯模型扩展到多层网络,融合网络的不同结构信息进行链接预测。（1）基于中介概率模型的多层网络链接预测算法MLPIMP。在多层网络中,一对节点不但可以通过同层邻居建立联系,也可以通过跨层邻居建立联系。例如,在贸易网络中,两个国家不仅可以通过共同贸易国家建立贸易关系,而且也可以通过同盟关系网络中的共同盟国建立贸易关系。因此,本文基于节点对与同层邻居和跨层邻居之间的三角关系,利用聚集系数表征同层邻居对其建立链接贡献的信息,并提出了一个计算跨层聚集系数的方法,用来衡量节点对在其他层的公共邻居对其在目标层建立链接的贡献。然后使用中介概率模型将目标节点对在每层网络的公共邻居的贡献分别融合得到不同的概率分数。最后将这些概率分数加权求和得到节点对形成链接的概率分数。相比于其他多层网络链接预测方法,本方法考虑了其他层公共邻居的跨层贡献,所以能取得较好的预测性能。通过在9个真实数据集上进行实验,该算法的稳定性与有效性得到了验证。（2）基于朴素贝叶斯模型的多层网络链接预测算法MLPNB。在上一部分中,我们主要使用了节点对在所有层的邻域信息。由于多层网络中每层网络的局部结构不完全相关,因此MLPNB使用目标层的邻域信息和其他层相对于目标层的全局信息进行链接预测。在本方法中,邻域信息由朴素贝叶斯模型计算得到的节点对概率分数表示,全局信息由节点对在其他层有边或无边时目标层存在链接的概率表示。然后将两者结合在目标层进行链接预测。在9个真实多层网络上的预测结果验证了MLPNB的正确性和优越性。最后,我们还通过合成多层网络验证了该算法的普适性,结果表明该算法在正相关和负相关的多层网络中都能取得很好的预测性能。