随着云计算技术越来越多地应用到信息产业的各个领域，对云环境下多种异构资源进行监测和管理日益重要。云计算平台具有虚拟性、层次性以及动态性等特点，相比其它大规模分布式网络更加复杂，本文研究面向云计算环境的性能管理方法，做了以下三个方面的工作：（1）介绍了云计算的基本概念、特点和发展，并重点总结了现有云环境下的性能管理技术。（2）针对传统的监测模型通信效率低，监测服务器负载不均衡的问题，本文提出一种动态层次化监测模型，对其中监测区域的动态划分问题建立数学模型，在保证监测实时性和监测中心负载均衡的基础上，尽量减少通信的开销。针对该数学模型，本文提出了一种自适应遗传算法对该模型进行求解，算法采用二进制编码来表示区域划分结果，根据监测的目标设计了适应度函数，并通过适应度和进化代数来自适应地调整种群的交叉和变异概率。最后，从监测时间、网络流量、负载均衡等方面对本文的监测模型进行了仿真，仿真结果表明本文的监测模型相较于静态监测模型和贪心监测模型减少了网络监测过程中产生的流量、缩短了监测时间，且能够保持各个域管理中心节点的负载均衡。（3）传统的预测模型无法适应云平台复杂的性能变化，预测准确率不高，本文提出一种基于粒子群（Particle Swarm Optimization，PSO）-Elman的资源性能预测模型。该方法采用Elman神经网络对资源进行性能预测，根据样本数据的相关性确定网络输入层节点数目，并采用PSO算法对Elman神经网络进行训练。在PSO算法中引入粒子群聚集度的概念，来调节粒子群的多样性。此外，针对云计算环境，给出了基于MapReduce的性能预测模型。最后，从神经网络学习算法的训练速度、寻优能力以及预测模型的预测精度等方面对本文的预测模型进行了仿真，仿真结果表明本文提出的预测模型在短期预测和长期预测中能够保持较好的精度，且提高了神经网络的训练速度。