信息量的剧增和网络异构性推动着基于agent的分布式网络管理迅速发展。基于agent的分布式网络管理中需要解决的核心问题是：分布式网络管理中多agent任务分解与调度问题。任务分解的研究在分布式计算领域颇为深入，从对串行程序的并行划分到对程序切片的研究，逐步深入和细化，但是，这些技术对于网络管理任务这样的串并结合的复杂任务并不适合。多agent调度算法在基于多agent的分布式网络管理中对任务执行效率起着至关重要的作用，从增加限制条件到简化任务结构，研究者们尝试了多种agent调度方法，而这些方法用于复杂的网络管理任务时，大多缺乏良好的适应性。本文围绕分布式网络管理中的任务分解和调度问题展开研究，并提出了有效的解决方案。 首先，在研究agent抽象模型和交互模型的基础上，针对分布式网络管理任务的特点，设计了基于多agent的分布式网络管理框架和多agent任务调度框架，在网络管理任务的分解与调度过程中，采用基于XML的任务树视图描述语言(TTVDL)描述任务树中各种角色之间的关系，在任务表示的基础之上，提出了一种多agent的任务分解调度算法，把网络管理任务分解为具有不同优先级的子任务，处于同一优先层次的子任务可以并行执行，根据子任务间的依赖关系和子任务优先级次序产生结合网络管理特点的agent派送策略。在大规模分布式网络管理中，该算法能够提高任务执行的时间效率和减轻网络的负载。 接着，为了提高多agent动态调度算法的效率，提出了一种基于任务依赖关系的多agent半在线调度算法。从理论上证明了全在线调度算法是半在线调度算法的特殊情况，在处理具有依赖关系的任务时，半在线算法的性能明显优于全在线调度算法，在处理完全并行的任务时，半在线算法等同于全在线算法。在调度优化的过程中，另一个重要的问题是负载平衡问题，针对大规模分布式的多agent网络管理系统，我们使用一种基于概率理论的负载平衡策略，通过计算系统中当前agent的等效agent的计算能力，提高系统中所有agent的利用率。为了验证任务分解与调度模型的性能和性质，使用颜色Petri网对任务分解与调度机制进行了建模与仿真，在运行的过程中考察系统的性能，并利用状态空间图对调度模型进行了分析和验证，模型性能的分析结果与理论分析结果是一致的，模型的性质分析结果证明了模型的正确性。 最后，以分布式网络流量管理原型系统作为一种应用实例，在实际应用中测试以上提出的算法和方法。希望能够为网络管理任务中多agent的动态调度提供一种新的途径或有所启发。