云计算对资源成本和服务质量的要求很高,研究公平有效的多资源调度与分配策略对云计算用户公平地共享计算资源、有效地使用资源是极其重要的。但是,由于硬件配置的异构性和用户资源需求的差异性,在异构云计算环境下,常规的多资源调度问题过度关注资源的公平性,忽略了资源利用率对系统性能的影响。因此,为了兼顾公平与效率,本文研究了任务的资源偏好特性及其描述方法,完成了单任务-多资源及多任务-多资源的公平分配,主要工作包括3个方面:（1）提出了一个m-约束瓶颈队列资源优化模型针对异构云计算环境下任务的多样性及对资源需求的差异性,提出了m-约束瓶颈队列模型。首先面向任务,基于瓶颈公平理论,以局部瓶颈资源为特征来实现任务聚类;通过构造一个“任务——瓶颈队列”映射,产生m个局部瓶颈队列组;同时对每个队列,引入放大因子λ对瓶颈资源的分配量进行调节,从而在任务类别之间达到资源分配公平性和有效性的均衡。其次,面向用户,为避免用户之间产生相互嫉妒,构造了一个强制不等式条件,确保了不同瓶颈队列中的任意一对用户不会相互嫉妒,增强了资源分配的公平性。仿真实验验证了模型对任务聚类及动态分配资源的有效性。不仅如此,Min-Min算法与改进的Min-Min算法被用于模型的可信性评价,证明了模型在用户任务数不断增加的情况下能够有效地缩短任务完工时间、降低调度成本及任务的截止时间违背率。（2）提出了一个抑制虚报资源的基于瓶颈公平的占优资源分配策略针对异构云计算环境下单任务-多资源的公平调度,为阻止用户通过虚报资源需求以获得更多的分配量,提出一个基于瓶颈公平的占优资源分配策略——DRBF（Dominant Resource with Bottlenecked Fairness）。经典占优资源分配策略（Dominant Resource Fairness,DRF）提出的真实性属性是最重要,也是最难以满足的一个公平属性。满足真实性的约束条件是用户虚报资源需求时所得分配量不得大于提交真实需求时的情况。为此,DRBF分配策略通过应用m-约束瓶颈队列模型,对用户所得分配量进行评估。通过分析用户虚报与放大因子λ值的变化关系,进而判断用户分配量的变化,最后在系统资源容量的约束下识别并惩罚欺骗行为。无论用户虚报占优资源还是其非占优资源,在DRBF分配策略下,用户虚报所得分配量不会超过真实需求时的分配量。因此,DRBF策略不仅满足真实性属性,还满足共享激励、无嫉妒性及帕累托最优属性。仿真实验进一步证明了DRBF算法与DRF、WRDRF及MMF算法相比,在资源利用率、用户所得总任务数及资源分配量等方面,表现优于其他三种算法;不仅保证了资源分配的公平性,而且提高了系统资源利用率。（3）提出了一个多任务份额的二层多资源联合公平分配策略针对异构云计算环境下多任务-多资源的公平分配问题,把单个用户的各个任务可视为一个独立的子用户,而对应的该用户视为上层用户,从而构造一个二层资源调度问题。底层子用户用m-约束瓶颈队列资源优化模型来保障子用户间资源分配的合理性;对上层用户,提出一个基于多任务份额公平的效率感知分配策略——MSFEAA（Multi-task Share Fairness for Efficiency-Aware Allocation,MSFEAA）。它首先定义一个归一化多任务份额作为多任务分配的公平性约束条件,实现了类DRF算法中占优资源份额的等价效用,为上层用户之间任务分配的公平性提供量化的依据。数学理论证明了MSFEAA策略满足共享激励、无嫉妒性、帕累托最优和局部公平属性。实验结果表明,MSFEAA算法与DRF、WRDRF、MMF三种算法相比,在多任务公平性、资源利用率以及任务数这三个方面,MSFEAA算法的表现优于其他三种算法。