复杂网络是近年来学术界的研究热点之一，在复杂网络的研究中，如何从网络中挖掘有用信息是研究的一个重要问题。在网络中，链路往往隐含着节点间潜在的关联信息，因而本文主要从链路预测的角度来进行网络信息挖掘，在以往研究的基础上，尝试将网络的局部结构引入到链路预测算法的设计中去。本文研究了网络的局部社团结构和局部链路结构，并提出了三种链路预测算法进行网络数据的挖掘，主要工作如下：　　(1)对于无向网络上的链路预测问题，提出了基于局部跨社团链路的链路预测算法(Local-Cross-Communities-Link,简称LCCL)。LCCL考虑了局部社团结构，定义节点的邻居构成节点的局部社团，通过局部社团间的关系进行链路预测。　　(2)在有向网络链路方向预测方面，提出了局部有向路算法(Local Directed Path,简称LDP)。LDP主要研究了节点的局部链路结构，并尝试通过局部链路的数目进行链路方向的预测。通过引进基础节点，LDP利用三种局部短链路（简单链路，普通链路，超常链路）预测网络中链路的方向。实验分析表明，通过考虑局部链路结构，LDP显著地提高了链路预测效果，这为有向网络模型和算法的设计提供了参考。　　(3)研究了复杂网络链路预测领域的一类特殊的方法——基于随机的链路预测算法，提出度修正的随机化块模型(Degree Corrected Stochastic Block Model,简称DCSBM)。DCSBM可以看做是对网络中所有可能的局部社团结构按照似然函数进行加权的算法，本文对于DCSBM的研究，主要目的是研究节点在局部社团结构中的地位是否均等。通过具体的实验分析，本文发现，不同的节点在网络局部社团结构中的地位其实是不相等的，它们地位的差异可能在小规模较为简单的网络中并不明显，然而，当网络的规模增大时，这种差异就体现出来了，这对于网络局部结构的研究提供了一定的参考意义。