如今,复杂网络中的链路预测问题,已成为物理科学领域和计算机科学领域研究的热门问题,也受到了广泛的关注。作为研究社交网络一个重要的部分,链路预测不仅帮助研究者从理论上了解复杂网络演化机制,而且可以在实际的应用中帮助我们揭示不同学科之间内在的联系。链路预测主要根据网络的拓扑结构和节点的外部信息等一些隐含的信息进行预测,换句话说,链路预测就是通过权衡网络中存在的各种相关联的因素,充分利用这些因素进行预测,包括预测已经存在但还未发现或者丢失的边和在不久的将来将会出现的边。随着社交网络的迅速发展,同时也推动着大数据和在线社交平台的发展,对链路预测精度的要求也更加的高,而现在已经存在的链路预测算法的精确度还无法满足这种需求,需要发现更好的提高链路预测的方法。而基于网络外部信息的链路预测确实能够获得良好的预测效果,但在很多情况下想要去获取有用的外部信息是十分困难的。本文通过研究已有链路预测方法,以网络结构特性为基础提出了基于网络结构的SHI算法和基于共同邻居的CNBase算法。SHI算法考虑到网络结构洞和重要节点,认为在网络中不同类型的节点功能不同,每个节点的特性往往不能由单独的一个指标给出。通过对网络结构洞和重要节点的分析,我们提出了SHI算法,该算法对提高链路预测精度有着很好的效果。通过在真实数据集上的实验,验证了本文的SHI算法性能优于其他经典方法。本文通过对共同邻居指标研究结合朋友之间交往过程进行分析,提出了一个基于共同邻居的CNBase算法,最后通过对比实验验证了该算法同样有着较好的预测精度。本文所提出的算法都是以网络结构相似性方法为基础的,有着低复杂度和高预测精度的优点。同时,这种网络结构的相似性度量方法不仅容易获得而且更可靠,具有普适性。