云资源调度作为云计算领域的一项重要研究内容，对云计算调度系统的性能和用户服务质量具有重要影响，其调度主要分为两个层次：一是虚拟机到物理机的映射调度；二是任务到虚拟机资源的调度。本文从云资源调度的两个层次展开研究，在总结前人研究基础上，针对当前两个层次调度中存在的资源利用率不高等问题，给出了相应的解决方法，本文的研究内容如下：　　(1)针对当前物理机资源是否满足虚拟机不确定的情况，提出了一种具有普适性的基于改进蚁群算法的虚拟机资源调度算法，该算法设置了一个剩余资源控制阈值来保证资源的使用安全，设定了匹配度函数用于度量虚拟机到物理机映射关系的好坏，最后以剩余资源总量、新开物理机数量及剩余资源标准差为优化目标，将多目标优化转化为单目标优化。此外，通过对蚁群算法的启发信息及信息素重要程度因子进行修改，改进了蚁群算法。通过实验表明，改进蚁群算法具有更快的收敛速度及更强的寻优能力，提出的调度算法能有效提高资源利用率、降低能耗。　　(2)为提高特殊用户（即细粒度的并行多任务）的调度服务质量，提出了一种基于新多维QoS优化的并行多任务调度模型。对多维QoS的研究，目前多数成果集中在基于完成时间、花费、可靠性的多目标优化上，而该模型的新多维QoS优化是基于并行多任务的完成时间、任务在虚拟机上的资源占用耗费及能源耗费三个方面，模型提出了QoS“性价比”函数作为判断服务质量高低的依据，并应用遗传算法实现模型，最后通过仿真实验，将本文多QoS优化调度模型与单一的时间偏好模型、低资源费偏好模型及低能耗费偏好模型进行比较，得出本文调度模型性价比（即服务质量）更高的结论。　　(3)针对科学实验输送任务是阶段性的且任务间具有关联性的问题，提出了一种基于优先级排序的多任务动态调度算法。该算法采用了本文第四章提出的综合QoS思想，根据综合QoS模型建立了优先级确定模型；并且提出了“分配队列”的概念，用以存储没有父级任务或父级任务已完成的任务；本算法调度分为两个阶段：一是将“分配队列”中的任务实时更新并按优先级排序，二是将排序后的任务以任务完成时刻最短为原则，依次调度到虚拟机上。最后，通过仿真实验将该算法与任务负载均衡调度（TLBS）算法和任务贪心调度（TGS）算法进行比较，发现本文算法调度的任务完工时间更短，虚拟机的平均利用率更高，证明该算法更优。