随着科技的进步,越来越多的复杂系统涌现出来,产生的相关数据呈直线增长,这些数据对复杂网路的研究也起到了推动作用。链路预测是复杂网络的一个重要研究方向,主要解决的是如何通过已知的数据及其之间的相互作用关系,预测那些已经存在但尚未被观测到的数据、未来可能出现的数据和一些虚假的数据。随着链路预测的研究成果广泛应用于各个领域,如何提高链路预测精度成为了首要问题。本文的研究主要是基于网络拓扑结构的,以网络中节点的属性信息为重点,从节点的度、H值和聚类系数出发,研究了无向网络中如何区分不同节点的不同作用。本文的主要研究内容如下。首先,针对现有的链路预测算法,没有更好的方法去区分节点对链路预测形成的不同作用。因此,提出了混合相似度的概念,该指标结合了节点的度值和H值,进一步区分了节点的不同作用。而且现有链路预测算法中,基于节点属性和路径信息相结合的算法比较少。因此,将节点和路径进行了结合,提出基于混合相似度的路径与节点相结合的预测算法。其次,在基于节点属性的链路预测算法中,经常使用节点的一种属性来表示节点的贡献,但是单个属性并不能完全代表节点的重要程度。因此,引入了节点的两个属性,H值和聚类系数,将这两个指标进行结合,通过这种结合方式突出节点的重要性,体现了节点的贡献。而且基于局部相似性的链路预测算法大部分只考虑了共同邻居节点,其它邻居节点的影响被忽略掉。因此,将二阶邻居节点考虑进来,提出基于节点属性的多阶邻居预测算法。最后,对以上的两种算法,分别在不同网络数据集上进行实验,以验证两种算法的有效性。