近年来随着人工智能及大数据等新兴技术的不断发展,尤其是深度学习的广泛应用对服务器的计算能力提出了更高的要求,传统的基于CPU计算的服务器已经逐渐难以满足需求。CPU-GPU异构服务器结合了CPU的逻辑控制能力和GPU强大的计算处理能力,满足了日益增长的计算需求,但是其高能耗问题仍然没有得到很好的解决。针对该问题,本文开展的研究主要是在时间受限及高负载的场景下,采用调度技术对CPUGPU服务器集群能耗进行优化,分别提出了基于任务分类和DVFS技术、基于深度强化学习的两种节能调度算法,实现了集群能耗优化,并通过仿真实验与算法对比验证了提出算法的有效性和优越性。具体研究工作如下:（1）针对时限约束及高负载场景下,CPU-GPU异构集群计算能耗高的问题,本文提出了一种基于任务分类和DVFS的节能调度算法。首先,通过研究和分析CPU-GPU异构服务器集群特点,建立了集群模型及任务模型,并对优化问题进行了描述;接着,根据异构服务器计算的异构性,将任务按照性能进行分类,以实现特定类型任务和对应类型的处理器的匹配。同时考虑服务器的空闲能耗和开关机能耗,结合DVFS技术将分类后的任务以节能为目的分配至服务器,保证任务满足时限需求。最后,将提出的算法与经典的节能算法进行了对比,实验结果证明,该算法在满足时限需求的情况下具有更好的节能效果。（2）针对负载动态变化场景下,传统节能调度算法无法自适应而导致节能效果欠佳的问题,本文还提出了一种基于深度强化学习的自适应节能调度算法。该算法结合了经典A3C深度强化学习算法,以最小化集群能耗为目标,满足时限为约束,设计了3种DVFS策略和4种处理器策略。DVFS策略和处理器策略共同组成了任务分配方式,把所有可能的任务分配方式作为动作空间。通过不断地与环境交互学习,该算法能够针对不同类型的任务集,自适应地选取合适的任务分配方法以达到节能效果。通过与已有的算法进行对比,实验结果表明,该算法不仅能并达到节能的目的,而且还能够很好的适应不同任务集。