随着信息化时代的到来,生活中的各行各业都涉及到海量数据的处理。大数据的高效处理离不开异构分布式系统的支持,但无论依赖于何种分布式计算平台,任务调度模型和算法都是提高大数据处理效率的核心和瓶颈。可以说,任务调度策略的优劣直接决定了平台的资源利用率和大数据的处理效率。大数据任务可以归为三类:可分任务、不可分任务和工作流,其中,工作流由于其子任务之间具有数据依赖关系且子任务的执行顺序受到约束,已有研究表明即便只是单工作流的任务调度也是NP难问题。鉴于此,本文分别研究了异构系统中的单工作流和多工作流任务调度模型及算法。所提模型和算法是对传统任务调度理论的补充和拓展。本文主要贡献可以概括为以下几点:（1）研究了异构分布式环境下单工作流任务调度模型和算法。首先,将单工作流任务调度问题拆分为两个子问题:寻求分布式平台上处理机的最优任务分配方案,以及每个处理机上的最优任务调度顺序。每给定一个任务分配方案的解,可以求得一个最优的任务调度顺序。因此,本文为单工作流任务调度问题建立了双层优化模型。模型的目标是最小化单工作流的任务总完成时间,上层模型寻求最优的任务分配方案,下层模型寻求最优的任务调度顺序。然后,为了求解所提双层优化模型,设计了一个包含启发式局部搜索算子的进化算法。其中局部搜索算法用来寻求最优的任务调度顺序,其核心思想为:先按单工作流的DAG图对任务进行分层;上层任务的执行顺序优先于下层任务;同层任务由于规模较少可通过枚举遍历所有可能的调度顺序求出最优解。最后,通过仿真实验将本文所提算法与已有单工作流任务调度算法进行了对比,实验结果表明本文所提算法对于密集型工作流和非密集型工作流都能有效降低单工作流的任务总完成时间并提高处理机的利用率。（2）研究了异构分布式环境下多工作流任务调度模型和算法。首先,将异构分布式系统下的多工作流调度问题转化为两个子问题:寻找最优的多工作流合并方案和工作流的最优调度顺序,以使得多工作流的任务总完成时间最短。其次,为了求解多工作流的最优合并方案,分析了合并工作流对任务完成时间和处理机利用率的影响,确定了以处理机的利用率是否提高作为工作流合并的依据。为了求解多工作流的最优调度顺序,本文设计了两种高效的启发式算法和一种全局寻优进化算法,并对比了这几种方法的优劣。最后,通过仿真实验将本文所提算法与已有多工作流任务调度算法进行了对比,实验表明本文所提的多工作流调度算法能够降低多工作流的任务总完成时间,并能提高处理机的利用率。