云计算利用虚拟化技术将各类软硬件资源抽象并形成资源池,通过网络按需供应给用户。随着信息技术的发展,Docker作为容器技术的代表在业界得到了广泛的应用,但其只提供镜像和容器功能,因此能够高效进行资源调度以及容器的管理和编排的容器云平台显得尤为重要。Kubernetes作为一款开源平台已在云计算领域被广泛应用,其优异的容器编排能力为用户提供了更为便捷可靠的服务,然而其自身的资源调度策略仍有不足之处,难以满足复杂场景的需求。为进一步提高Kubernetes集群的资源利用率和服务质量,本文对其动态资源调度方面进行了改进,主要内容如下:（1）针对容器云平台Kubernetes的技术架构、设计以及默认的资源调度机制,分析了Kubernetes在资源调度方面的不足之处,并针对其不足提出了一种基于神经网络的资源预测模型及基于资源预测模型的动态资源调度策略和实例自动伸缩策略。（2）针对Kubernetes中基于阈值的响应式资源报警机制无法应对突发性的负载变化,导致应用的服务质量下降,平均响应时间增加的问题,本文提出了一种基于LSTM网络和RBF网络的资源预测模型SDLR。通过增加后向LSTM、限制循环单元可处理的数据量以及引入注意力机制对LSTM网络进行改进得到SD-LSTM,并在此基础上进一步利用BP网络对SD-LSTM和RBF的预测值进行权重训练,得到最终的预测结果。（3）针对Kubernetes默认调度策略无法应对应用程序对资源的需求在运行过程中动态的变化从而导致资源利用率低的问题,本文提出了一种基于Pod优先级的动态资源调度策略。该策略设计了以重启策略为依据的Pod优先级,允许高优先级Pod剥夺低优先级Pod的系统资源,运用预测模型的预测值,在保证高优先级Pod稳定运行的前提下兼顾低优先级Pod的平均响应时间,使其能够在Pod运行过程中对资源配额提前进行动态调整。在此基础上,本文又提出了一种基于资源预测的实例自动伸缩策略,该策略将当前的资源使用情况与预测模型的结果相结合,对实例资源提前进行扩容和缩容,以提高系统的运行效率。论文实验表明,本文提出的资源预测模型SDLR能够更为精确地预测应用的资源使用情况;基于Pod优先级的动态资源调度策略和实例自动伸缩策略有效缩短了平均响应时间,提高了服务质量和Node节点的资源利用率。