基于有监督学习思想的链接分类是复杂网络分析领域的主要研究问题，该思想的核心在于把网络分成训练网络和目标网络，通过分类模型学习训练集合并对目标集合进行预测。然而在复杂网络链接分类这一场景中，正类别样本和负类别样本的分布是不平衡的，特征之间会存在冗余信息，这一现象往往制约着分类性能的有效提升。针对该问题，提出了一种双重特征选择的分类模型。该方法借助Relief赋予特征权重并使用K-means聚类算法对不平衡样本进行采样，解决数据不平衡问题，然后引入极小冗余—极大相关（mRMR）衡量特征与特征之间和特征与类别之间的相关性，同时最大限度地减少冗余。在多个真实复杂网络数据集上的实验结果表明，相较于目前主流的链接分类模型，该方法能够明显地提升分类的性能。