云计算采用虚拟化技术将集群中的各种资源构成资源池，接收用户任务请求，并将任务调度到合适的资源上执行。资源的动态变化，使得系统在进行任务调度时，难以获取资源的实时状态，从而影响系统的负载均衡和任务调度效率。预测是资源管理的重要手段，如何设计适应云资源变化特性的预测方法，通过资源预测为任务调度提供准确的数据支持，是一个值得深入研究的问题。　　针对上述问题，本文首先针对云资源的变化特点，提出一种基于偏最小二乘回归的云计算资源组合预测模型。该模型引入组合预测思想，先对采集得到的原始预测样本集进行数据预处理；再选用符合云资源特性的三次指数平滑模型、ARIMA模型、GM(1,1)灰色预测模型进行资源预测；最后采用偏最小二乘回归方法，结合交叉有效性分析，从各单一模型预测结果中提取出相互独立无冗余的成分，建立组合预测模型。该模型能够有效消除单一预测模型间的相关性，避免组合预测模型输入信息的冗余，且其提取的成分对实际情况有很强的解释能力，提高了预测精度。仿真测试结果表明该模型预测精度较高，预测效果稳定。　　基于上述提出的云计算资源组合预测模型，进一步给出一种基于资源组合预测的云计算任务调度算法。该算法先采用组合预测模型对资源未来时刻的状态进行预测；再根据预测结果，结合K-means算法对任务和资源分别进行聚类处理，并按照聚类类别进行任务的资源筛选；最后以最小完成时间原则建立任务和资源的映射。该算法能够保证任务调度到满足其需求的资源上执行，提高了资源的利用率，使系统具有稳定的负载均衡。　　最后，通过扩展和重编译的 CloudSim仿真平台对本文提出的任务调度算法进行仿真测试与对比实验，实验结果表明本文算法通过对资源的提前合理预测，在满足任务对资源性能需求的同时，能够较好地兼顾系统的负载均衡与任务调度效率。