面向服务的体系架构(Service oriented architecture,SOA)是一种软件设计模式。在这种架构下,各个独立的软件或系统按照协议抽象为web服务,其他系统可以通过网络调用这些web服务从而使用它们的功能。服务组合即是通过将现有的web服务组合起来,满足复杂用户需求的一种技术。随着SOA架构的日益流行以及web服务相关技术的发展,对于某个特定需求,一般存在多个功能相似的候选服务。这些服务由不同的公司或组织维护,并且有着不同的服务质量(Quality of Service,QoS)。因此在服务组合的过程中,面对数量众多的候选服务,如何选择合适的服务以使得整个组合系统有着最好的服务质量便成为了服务组合中的一个关键问题。另一方面,由于网络环境的复杂性和动态性,服务质量往往是随着时间而动态变化的。因此组合系统如何动态的进行调整,以适应不断变化的环境,保证组合服务的质量,也是一项亟待解决的挑战。基于以上挑战,本文围绕动态环境下的自适应性服务组合问题展开研究,主要完成了以下工作:(1)将传统的时间序列预测方法应用于服务计算领域,实现了基于LSTM(Long Short-Term Memory)神经网络的QoS时间序列预测方法。(2)将强化学习与QoS预测相结合,并应用于服务组合之中,实现自适应服务组合方法,提升服务组合的质量。(3)使用多agent技术在多个用户之间共享QoS时间序列,从而加快各自的学习速度,改善服务组合质量。(4)通过一系列的实验对本文提出的方法进行验证,证明了该方法在动态服务组合场景下的有效性。