许多社会、生物等复杂系统可以用复杂网络来进行描述，网络中的节点表示系统中的个体，边表示个体之间的相互作用。近年来，复杂网络成为一种描述和分析复杂系统的有效手段并成为一个研究热点。其研究可以概括为既息息相关又逐渐深入的三个内容：度量网络的统计性质；构建模型来理解性质；在已知的网络结构特征基础上预测网络行为，这个方向中的链接预测问题越来越受到人们的重视。链接预测是一个新兴的研究方向，具有重要的理论价值与应用价值。它是通过已知的网络结构等信息来预测网络中的未知链接，包括预测未被发现的链接与未来可能会形成的链接两个方面。一方面在过去的几年中，人们依据不同的机理与网络信息开发了大量的预测算法，部分算法取得了非常高的预测精度；另一方面，由于受到实验技术等许多客观因素的影响，我们所能观测到的网络信息中存在着大量的虚假信息。因此现有的预测算法所能取得的较高的预测精度是否可信需要我们进一步去考察，我们将该问题称为链接预测算法的鲁棒性。为了研究算法的鲁棒性本文做了以下工作：1）通过比较现有的基于网络相似性的预测算法，找出了四种预测精度较高的指标。我们从两个方面对算法的鲁棒性进行了研究：一是不同算法的鲁棒性差异，二是同种算法在不同网络中的表现出来的鲁棒性差异，然后讨论了算法鲁棒性与网络拓扑性质之间的关系；2）尝试采用加权的方法改进算法，以提高他们的鲁棒性。通过比较加权前后的鲁棒性，发现该方法对个别算法在特定的网络中有效，另外，我们发现加权之后算法的预测精度得到了较为明显的提高；3）采用模体统计的分析方法分析了上述原因，并且利用该方法在基因网络中预测致病基因。本文共分为四章：第一章简要介绍了链接预测算法的重要价值及其研究进展，第二章介绍了与链接预测相关的部分网络特性并比较了不同预测算法的预测精度，第三章我们比较了四种预测算法的鲁棒性及加权前后算法的鲁棒性变化，第四章我们采用模体统计分析的方法预测基因网络中致病基因。