Web服务其实就是一种运行在网络上的应用程序,它可以在Web环境中被描述、被发布、被查找以及被调用。虽然Web服务给应用程序的集成提供了方便,但单个Web服务的功能往往设计得很简单,致使我们有时候无法找到任何一个可以满足用户需求的单一Web服务。这时,最好的解决办法是将多个功能简单的Web服务按照一定的标准和要求进行组合,形成新的增值服务以实现用户预先设定的目标。随着网络上可用的Web服务数量的增加,组合服务中的每一个子任务能够由大量功能相同的服务来完成,那么摆在我们面前的首要任务是怎样从候选服务集中挑选最合适的服务来完成我们的子任务。虽然这些候选服务的功能相同,但是它们具有不同的非功能性属性——服务质量(QoS),所以这些QoS数据便成为我们选取服务时的重要参考依据。但是用户消费者可能只使用过候选服务集中的部分服务,对于其他候选服务的QoS,用户还不是很了解,为了选取合适的候选服务,我们需要帮助用户预测未曾使用过的候选服务的QoS。因此寻找合理的QoS预测机制和基于QoS感知的Web服务组合算法是我们当前重点研究的内容。本文的工作主要围绕Web服务质量预测问题和基于QoS感知的Web服务组合问题而展开,其主要研究内容及贡献如下：(1)分析了已有的QoS预测方法,提出了一种基于协同过滤的服务质量预测方法。该方法克服了传统服务质量预测方案(求算术平均值)没有将用户的偏好和使用经验考虑在内的缺点。该方法在协同过滤算法的框架之上引入了一种新的相似度挖掘算法,这种新的相似度挖掘算法根据用户的消费经验来评估用户之间的相似度,并在计算出来的相似度的基础上预测服务的服务质量。这种新的相似度挖掘算法分别从邻近度、影响因子和流行度三个方面来综合考虑用户之间的相似度,从根本上改善了传统相似度挖掘算法(皮尔森相关系数、余弦函数和欧几里得距离等)在QoS数据稀疏时容易产生预测误导的现象。(2)对QoS数据的类型进行分类,引入了基于的模糊集和隶属度函数的正规化方法。对于数值型QoS数据,我们采用高斯正规化方法将处于不同区域的数据映射到一个统一的区间[0,1]上；对于模糊型QoS数据,我们根据用户的使用经验找到它们的隶属度函数,然后运用隶属度函数将这部分模糊型QoS数据映射到区间[0,1]上。(3)分析了已有的基于QoS感知的Web服务的组合算法,提出了一种基于遗传算法的Web服务组合方案。该方法改善了使用传统遗传算法进行Web服务组合时收敛速度慢的现象,满足了实时性服务组合的需求。该方法使用蚁群算法产生初始抗体种群以提高初始抗体种群的质量,并将每一个可用的候选服务和可行的组合方案编码成二进制比特串的形式,这样做不仅减小了算法的搜索空间,而且从根本上加快寻找最优组合方案的速度。