复杂网络,即是复杂系统的一种抽象形式。它将系统中的个体和关联抽象为网络中的节点和链路。在复杂网络的应用中,有一项很重要的就是链路预测,即预测网络中存在的但未被发现的关联或者预测网络中未来可能存在的关系。在链路预测中,通常会利用网络节点的属性以及网络的结构。然而,现实生活中的网络中往往有很多噪声信息,从而干扰我们对网络未知链路的预测,因此研究网络噪声对链路预测的影响,即网络链路预测的鲁棒性成为了我们研究的主题。本文旨在通过研究网络链路预测的鲁棒性,找到噪声网络中链路预测算法的鲁棒性规律,并提出一种不仅有较高的链路预测精度,同时具有高鲁棒性的链路预测算法。本文首先总结归纳社交网络常见的三种噪声,针对AUC,Ranking Score和Precision三个指标,提出了鲁棒性指标,在多个社交网络上分析不同链路预测方法在不同种类噪声下的指标和鲁棒性。通过实验发现利用网络局部性质的指标有更高的链路准确性,而基于网络全局性的指标鲁棒性更高。然后从社交网络无标度特征出发,在数据预处理和链路预测值两个角度结合网络度的信息,进行改进优化,提高链路预测鲁棒性。最后,本文提出了一种在有权有向网络中的改进SDNE方法,这种方法同时结合了网络的局部信息和全局信息。用该算法进行链路预测时,发现网络的预测精度和鲁棒性均有所改善。