近年来,随着Facebook、微博、人人网等社交网络平台的兴起,社会网络已经从几十个节点的简单社会网络发展为上万节点的复杂社会网络。研究者逐渐发现传统的数据采样方式已经无法满足社会网络结构复杂化的发展需求。为了节约网络资源,人们提出了各种社会关系预测的方法。然而,传统的关系预测方法容易受到响应时间、数据丢包和个体行为等多因素的影响,并且对采样率的要求很高。针对传统方法的不足,本文基于社会网络认知模型下提出了两种关系预测的新方法:BTCS(Binary chop Threshold based Cognitive Social structures)算法和CCS(Community Cognitive Social structures)算法,具体工作如下:首先,介绍了社会网络关系预测技术的研究背景、研究意义和发展现状,然后详细描述了社会关系认知模型的结构,并将社会关系认知模型运用到社会网络的关系预测中。其次,针对低采样率下关系预测方法精度较低的问题,本文提出了一种基于认知模型下低采样率的BTCS算法。它充分利用了个体节点对整体网络的认知能力,随机抽样部分网络节点,并获得抽样节点对整体网络的认知信息,然后根据认知信息预测出网络中所有节点间的关系,实现了低采样率下的关系预测。为了分析算法性能,本文在不同网络和不同采样率下进行了多组对比实验,结果表明BTCS算法在低采样率下提高了预测精度、降低了预测时间。最后,针对随机采样预测方法稳定性差、预测速度慢的问题,本文利用同一社区内节点间认知度较高的特点,提出了一种社区中的CCS算法。它能够有效地将节点的认知特性与社区属性结合,并应用到关系预测中,实现了社区化的关系预测。仿真结果表明,CCS算法比其他随机采样预测方法的稳定性更高,时间开销更小。综上所述,本文针对社会网络认知模型下的社会关系预测方法进行了研究,充分利用了社会网络中节点的认知特性和社区属性,降低了响应时间、数据丢包和个体行为等多因素对关系预测的影响,提高了关系预测的效率,具有一定的理论意义和应用前景。