网格计算是构筑在Internet上的一种新兴技术，其利用共享网络将分散在不同地理位置的计算资源、存储资源、数据资源等组织成一台虚拟的超级计算机，由此提供强大的计算能力。在网格技术迅速发展的今天，网格的应用越来越广泛，受关注和重视的程度越来越高。网格的大规模应用对有限的网格资源提出了挑战——如何在有限的网格资源下运行更多的网格任务。其中解决该问题的核心在于调度算法，一个优良的调度算法可以使网格节点执行更多的任务，从而增大网格系统的吞吐率。所以为了解决该问题，本文选择任务调度算法作为本文的研究内容。 在众多的网格框架中，任务调度一直是其核心机制所在。本文在研究网格任务调度总体框架和分析以往经典网格任务调度算法基础上，针对以往任务调度模型任务执行时间冗长和任务丢弃数量过多等不足，提出了一种新的网格任务调度模型。该调度模型在调度之前，首先利用支持向量机技术对网格各节点性能进行预测，然后把预测的结果与网格任务数据同时输入基于量子遗传算法的调度执行系统中，通过该模型求出得出任务调度方案，用于指导网格任务调度。该调度模型的特点为，1．为了提高网格的任务调度的有效性，在任务调度之前用到了预测技术，而基于支持向量机的预测技术比一般的回归预测技术更准确，从而避免了无预测或者预测不准确情况下任务调度的低效率。2．在预测的基础上，用量子遗传算法作为调度核心算法比Min-Min算法和传统遗传算法得出的调度方案更有效，这种有效性通过任务总执行时间和任务丢弃数量等指标来体现。 最后，为了验证本文提出的调度模型的优越性，本文在SimJava的基础上开发出新的仿真平台-SimSnow（该平台改进了Gridsim仿真的不足）。本文利用SimSnow仿真平台，在网格节点性能下降时，分别对完整与不完整网格节点历史性能信息利用支持向量机预测与量子遗传算法进行任务调度实验。实验结果表明无论在网格节点历史性能信息完整或不完整的条件下，本文所提出的基于量子遗传算法的调度模型比以往的基于Min-Min算法与传统遗传算法的调度模型要优越，这种优越性在批量任务的总执行时间和任务的丢弃数量等指标都有体现（总执行时间和任务丢弃数目的降低）。