复杂系统云仿真是利用云计算资源共享等优势为复杂系统仿真提供支持的新模式,具有实体规模大,交互复杂,依赖库多样等特点。应用封装可以降低应用部署的复杂度。准确的资源预测可以实现复杂系统云仿真应用最优性能。然而,目前的云环境下主流的封装技术依靠手动编写Dockerfile文件,导致封装效率低下,目前的资源预测技术没有考虑复杂系统仿真应用实体规模,时间同步等特征,难以准确预测应用所需资源,导致资源利用不充分,仿真运行效率低。因此,开展面向复杂系统云仿真应用封装与资源预测技术研究,对于降低仿真应用部署难度,提高仿真应用运行效率等具有重要的理论意义和实用价值。本文针对当前复杂系统云仿真在应用封装与资源预测方面存在的问题,围绕复杂系统云仿真自动化封装、计算与存储资源预测等关键技术开展深入研究,主要工作与创新点如下:（1）复杂系统云仿真自动化封装技术为仿真应用的部署运行提供了有效支撑。目前主流的复杂系统云仿真应用封装方法是通过编写Dockerfile文件构建镜像,导致封装效率低且容易引入人为错误。对此,提出了一种基于库组件重用的复杂系统仿真应用自动封装技术,定义了支持重用的库组件模板,并将仿真应用与库组件模板融合生成组合镜像模板,组合镜像模板在通过语法优化与错误检测后自动生成Dockerfile,提高了复杂系统仿真应用的封装效率。（2）准确的预测复杂系统云仿真应用所需计算与存储资源可以有效的提高仿真运行效率。然而现有的云资源预测方法没有考虑到复杂系统仿真应用实体规模与频繁时间同步的特征,难以准确预测仿真应用所需计算与存储资源。因此,本文提出了一种基于集成学习的面向复杂系统云仿真计算资源预测方法与面向复杂系统云仿真存储资源概率预测方法。计算资源预测方法将实体规模与时间同步等作为重要特征,提出了基于精度和相对误差的剪枝算法以选择基模型的最优子集。存储资源概率预测算法可以量化内存预测中乐观时间同步事件回滚的不确定性,该方法由两层结构组成。第一层结构包括两种基模型,即反向传播神经网络和随机森林。引入基于RMSE的剪枝算法选择基模型的最佳子集。第二层结构是高斯过程回归模型,该模型用于量化内存资源概率预测中的不确定性信息。实验表明,该计算资源预测方法与存储资源概率预测方法可有效提高预测准确率。在上述研究的基础上,设计实现了复杂系统云仿真的应用封装与资源预测平台,支持复杂系统云仿真应用的自动化封装,可精确预测仿真应用所需资源。综合测试表明,该平台可有效提高复杂系统云仿真应用的封装效率与运行性能。