在线社交网络是对实际世界对象及其间相互关联关系的抽象描述。在网络中的节点代表着实体对象,而连接则代表实体间的交互关联。这些链接中包含丰富的节点属性信息,结构信息以及网络演化信息。在网络的演化过程中,某些链接可能出现或消失,需要对缺失数据进行补全以及对未来可能出现或消失的链接做出预测。同时作为数据挖掘领域的一个重要分支,链路预测被应用于社交网络、电子商务、学等领域,具有很重要的现实意义。目前基于相似性的链路预测方法大多基于节点表示的假设,利用节点的共同邻居这一特性,导致单一的指标得到节点表示较为相似,难以将网络中的节点特征进行有效区分。同时,传统深度神经网络的池化使得学习得到的节点特征表示难以有效保留网络结构信息,从而影响模型预测效果。针对上述问题,本文主要研究工作如下:（1）针对无节点属性的网络,提出一种基于层叠泛化的链路预测模型。首先,从机器学习的角度出发,将相似性指标作为节点对之间的特征,从而将链路预测转换为二分类问题;然后,利用集成学习,引入层叠泛化机制,采用不同的机器学习模型,对多个不同的相似性指标进行有效结合,从而获得更好刻画目标网络结构特征的融合指标,进而使模型预测性能得到提升。（2）针对有节点属性的网络,提出一种基于图神经网络和胶囊网络的链路预测模型。首先,使用图神经网络学习生成相应的节点特征,将网络节点映射到低维的节点特征向量;其次,通过设计的转换块,将学习到的节点特征转换为相应的的节点对特征;第三,受胶囊网络思想的启发,通过胶囊网络学习节点对之间的特征表示,有效地捕获节点对之间的结构信息。同时,可以在模型中使用不同的图神经网络以适用不同的目标网络,从而获得预测性能上的提升。（3）设计并实现了科研合作者网络关系预测系统。将第三章与第四章分别提出的链路预测模型应用于专家合作网络预测系统,旨在为研究者方便快捷的熟悉自身所从事领域的网络关系信息,做出有效的决策提供帮助与建议。根据用户输入的专家信息,通过模型对其合作网络关系进行预测,并将预测的合作网络关系结果以可视化的方式展现给用户。综上所述,本文针对无节点属性的网络与有节点属性的网络,分别提出了基于层叠泛化的链路预测模型和结合图神经网络与胶囊网络的链路预测模型。通过在多个不同真实数据集上进行实验验证,并对现有的方法进行相应的对比分析。实验结果表明,本文所提出的链路预测模型在AUC、F1-score等多个评估指标上均取得较好的预测性能,从而验证了模型的有效性。最后,将模型应用与专家合作网络系统,同样取得不错的预测结果。