网络是抽象刻画真实世界中广泛存在的复杂系统的一种有效形式。网络中的节点代表复杂系统中的各种实体,网络中的链路代表了实体间的各种联系。面对网络数据的日益庞大,网络结构会发生不断地演变,同时变得难以把控。链路预测,即如何对网络的缺失链路进行准确地预测从而发现网络的真实结构是目前网络研究领域中亟待解决的问题。链路预测在通信网络、生物网络和推荐网络等多个领域中都有着广泛的应用。本论文主要从网络的含噪性和动态演化特性两方面对链路预测展开研究,主要的研究内容介绍如下:1.关于网络数据的含噪性,针对目前链路预测的研究大多都是在假定无噪声的前提下进行的,忽略了网络数据的可信度问题。本文设计了一种基于矩阵分解的含噪网络链路预测方法。由于不同网络中存在着一定程度的各种噪声,本文通过低秩表示模型(Low Rank Representation,LRR)对网络的虚假信息引起的噪声进行过滤。其次,采用叠加的方式对网络进行重复扰动,克服网络的噪声。最后,通过将LRR和非负矩阵分解(Non-negative Matrix Factorization,NMF)结合来应对网络中存在的多种噪声,从而在含噪网络中进行有效的链路预测。2.关于网络的动态演化特性,针对目前研究主要集中于网络拓扑结构,忽略了网络的动态演变特性对链路预测的影响。本文设计了一种基于矩阵分解的动态网络链路预测模型。由于网络呈动态变化趋势,通过时间切片化处理,将动态网络看作是多个静态网络的集合,采用加入时序特性进行改进的NMF对网络集合中各个时刻的网络依次进行预测,能够获取网络的变化趋势,从而完成动态网络的链路预测。本论文使用真实的网络数据对所提出的模型及方法进行了实验验证。实验结果表明本文所提出的模型有效地利用了网络的拓扑结构信息和网络时序演变特性,能够对复杂情况下的网络结构进行准确预测,有助于网络数据的挖掘与利用。