大数据时代的来临,由于数据类型的多样性与庞大的数据规模,给大数据存储与数据挖掘带来了挑战。链路预测的作用是利用现有的网络结构知识预测网络中尚未产生的连边和检测异常的连边。链路预测作为数据挖掘的重要工具受到越来越多研究人员的关注与重视。为了解决链路预测问题,各种链路预测算法如雨后春笋般出现。然而这些链路预测算法很少考虑网络的高阶聚类结构,并且传统的链路预测算法的预测精度不太理想。鉴于此,本论文提出了两种基于高阶聚类结构的链路预测算法,均能够一定程度提升链路预测的预测效果。（1）提出了一种基于高阶聚类结构互信息的链路预测方法。该方法将高阶聚类结构使用到链路预测中,其使用互信息来量化共同邻居间的高阶聚类系数的贡献。该算法融合不同阶的聚类系数,来考虑它们对节点间产生连边的影响。此算法在九个真实网络上比其它基准算法都表现出良好的预测结果。（2）提出了一种基于高阶聚类信息贝叶斯的链路预测方法。传统基于共同邻居的链路预测方法不能区分共同邻居的影响,因此我们将高阶聚类信息和贝叶斯理论相结合,联合考虑共同邻居和节点的高阶聚类特性对节点间产生连边的影响。与传统算法比较,该算法在真实网络中表现出优良的预测性能。