人类对复杂网络的研究历史悠久,并且随着信息技术的高速发展,各种复杂网络大量涌现。然而,这些网络并非都是完整的,作为复杂网络分析中的一个重要方向,链接预测旨在利用所观测到的网络信息,挖掘缺失的、潜在的或虚假的链接。除此以外,链接预测还提供了一种理解网络演化的新思路,并且已在诸多领域得到了广泛的应用。到目前为止,人们已提出大量基于结构相似性的方法来解决链接预测问题,然而此类方法往往仅基于一种或两种网络拓扑特征,并假设它们适用于所有的网络。因此,此类链接预测方法具有性能不稳定的问题。针对这一问题,本文设计了一种基于灰色关联分析的链接预测方法LP_GRA,本方法混合了多个基于不同拓扑特征的相似性指标,因此具有良好的稳定性和预测精度;其次,我们进一步对多层网络进行了研究,在LP_GRA的基础上结合多层网络的层间相关性,设计了适用于多层网络的链接预测方法MLGRA。（1）LP_GRA:该方法利用GRA（Grey Relational Analysis）混合了多个经典的、基于不同拓扑特征的相似性指标。并且,为了根据所观察到的网络结构自适应地估计各相似性指标的权重,我们设计了一种通过分析在各指标下相似性分数的分布情况计算权重的方法。由于混合了多个不同的相似性指标并自适应的分配相应权重,因此相比于其它仅基于一种或两种拓扑特征的链接预测方法而言,LP_GRA方法适用于更多不同类型的网络。实验结果表明,相对于其它8个对比方法,LP_GRA在10个真实数据集上具有更好的预测精度和稳定性。（2）MLGRA:相对于单层网络而言,多层网络各层间的相互作用关系是多层网络的重要性质,如果仅仅将单层网络的链接预测方法简单地套用在多层网络上,必然会造成网络中重要信息的丢失。因此,在本文中,针对多层复杂网络的链接预测问题,我们提出了一种基于LP_GRA和层间相关性的预测模型MLGRA,并通过实验分析了多层网络的层间信息对预测性能的贡献。为了验证所提方法的性能,我们在8个真实的多层网络数据集上进行实验,无论是相比于单层链接预测方法还是多层链接预测方法,MLGRA均拥有更好的预测性能。