现实世界中的许多复杂系统都可以使用复杂网络进行建模,因此对复杂网络进行研究能够帮助我们更清晰地了解现实系统的本质。如今,互联网和通信技术的发展让数据共享变得更加方便,数据获取、存储和计算能力的提升有力推动了复杂网络分析技术的进步。链接预测作为复杂网络分析中的一个主要研究方向,旨在根据网络中可观察到的节点属性和网络结构等信息推断网络中缺失的或未来可能出现的链接。由于其重要的应用和理论价值,链接预测受到了许多学者的关注。现有的研究工作大多集中在单层网络。近年来,一些研究人员开始对多层网络的链接预测问题进行了研究。由于其包含更加丰富的内容,多层网络中的链接预测可以帮助研究人员挖掘更多有价值的信息。本文对单层和多层网络的链接预测问题都进行了研究,并提出了以下4个链接预测方法。（1）基于节点连接模式相关性的链接预测方法。网络中节点间相隔的距离越远,彼此的关系就越弱。基于此思想,该方法定义了节点的连接模式,并利用皮尔逊系数计算了节点连接模式的相关性（CNCP）。之后将CNCP与基线相似性指标相结合得到一系列基于CNCP的链接预测方法。在6个真实数据上的实验表明,基于CNCP的预测方法优于基线相似性方法。（2）基于端点适用性的链接预测方法。为了在链接预测中结合更多的结构或属性信息,该方法从节点的角度出发,从一组给定的相似性指标中,选取适用于每个节点的相似性指标。对于目标节点对,分别使用最适用于其端点的相似性指标计算该目标节点对的连接概率,最后将两个连接概率相结合得到最终的相似性分数。在9个真实网络上的实验表明,该方法在异配网络中有非常突出的表现。（3）基于有监督学习的多层网络链接预测方法。该方法将链接预测视为节点对的二分类问题。为了构建节点对的特征向量,该方法从网络所有层中提取拓扑信息。除了采用CN,RA和JC等经典相似性指标作为特征外,该方法还为节点对设计了两个新的特征,即,friendship of neighbors（FoN）和friendship in auxiliary layers（FAL）。在6个真实多层网络上进行的实验表明,该方法的预测性能优于其他对比方法。（4）基于回归和条件概率的多层网络链接预测方法。该方法继续对多层网络中的链接预测问题进行研究,通过结合层内信息和层间信息预测多层网络中的缺失链接。首先,对层内信息使用回归算法计算链接存在的概率,然后利用辅助层信息计算链接存在的条件概率,最后结合两种概率进行链接预测。在8个多层网络上的实验表明,本方法的预测性能优于对比方法。