随着互联网的高速发展，云计算技术作为一种新兴的商业计算模式已经在人们的生活中产生了巨大的影响。云计算技术是利用虚拟化技术为各种复杂的计算任务提供所需的资源。如何将用户的满意度提高，进行高效的任务调度具有十分重要的意义。因此，任务调度是云计算技术领域下的一个关键问题。到目前为止，国内外的专家和学者在任务调度优化问题上已经进行了大量的研究工作，有针对性的提出了许多高效的任务调度算法。本论文对云计算环境下的任务调度算法及其研究现状进行了较为全面的研究与分析，对于云计算环境下的任务调度算法中存在的一些问题开展了研究工作。主要研究工作和创新体现在以下三个方面：　　一、针对遗传算法在任务调度过程中随着任务调度问题复杂度增加，算法的性能出现下降的现象，本论文引入 K-means聚类算法思想，提出了一种云计算环境下基于K-means聚类思想的遗传算法的多任务调度策略(a genetic algorithm based on K-means cluster method with time and load balancing and cost constraint简称KGA)。KGA借鉴K-means聚类方法的思想在任务调度开始之前先对大量任务进行聚类预处理，然后根据遗传算法的机制进行任务调度，并提出了时间-负载均衡-成本约束的适应度函数。此外还根据遗传算法容易产生拥挤现象这一缺点，对变异操作进行了针对性优化，提高了算法的效率。　　二、本论文还将模拟退火算法中的退火思想引入到遗传算法中，提出了一种基于遗传退火的多任务调度策略(a genetic algorithm based on annealing method简称ANNGA)，通过Metropolis准则对遗传算法所产生的下一代个体进行稳定性判断，来决定是否接受下一代个体，不仅改良了遗传算法容易陷入局部最优的问题，还能有效解决任务调度的优化问题。　　三、对本论文提出的算法使用 CloudSim仿真实验平台来模拟，并根据模拟实验所得到的结果对比之前提出的任务调度算法进行分析，结果表明本论文所提出的算法在云计算环境下的多任务调度问题上具有较高的效率和良好的性能，更加适用于云计算环境下的任务调度问题。