随着大数据与人工智能的发展与流行。本地单机环境难以满足用户的需求。因此,越来越多的任务被上传至云端进行计算。调度算法决定了云中心如何对任务进行资源分配。调度目标有优化调度长度,保持负载均衡等。任务调度问题已被证明为NP完全问题。为此,学者们针对任务调度问题提出了众多调度算法找次优解。而传统调度算法虽针对小规模调度问题具有优秀的调度效果,但面对大规模任务调度问题,都有不同的挑战,如,基于列表的调度算法因任务规模调度效果欠佳,而基于聚类的调度算法虽有稳定的调度效果,但通常时间复杂度较高。本文针对云计算中异构环境下的大规模任务调度问题,借鉴大规模集成电路设计中的DAGP算法,提出一种基于拓扑结构的多级调度算法（Topology-based Multilevel Task Scheduling Algorithm,简称TBMSA）。不同于DAGP算法解决同构环境下的图划分问题,TBMSA算法针对异构环境下的调度问题,使用传统调度算法作为初始调度算法,同时改进细化算法,在计算增益值时增加考虑异构机器间的带宽,最后,增加B-EST算法计算不同机器上任务的执行顺序。TBMSA能有效兼容传统调度算法,同时优化调度长度,保证机器负载均衡。TBMSA结合两种传统任务调度算法与HEFT算法进行对比实验,验证TBMSA算法的优势。TBMSA算法首先选择基于调度列表调度的经典调度算法HEFT作为初始调度算法。HEFT算法在处理大规模任务调度问题上效果欠佳,但作为TBMSA经过多级压缩后的初始调度算法则避免了这个缺陷。在随机数据集上进行实验,实验结果表明TBMSA+HEFT算法在缩短调度长度方面相较传统HEFT算法平均优化了12.2%。同时,在负载均衡方面,HEFT算法会随着集群机器数的增多而变差,而TBMSA+HEFT算法的负载不均衡度一直稳定在1.08以内。因HEFT算法作不能动态更新调度优先级,调度效果会随着任务规模的扩大而变差。所以将初始调度算法替换为动态更新调度依据的聚类调度算法CMWSL。其调度效果虽不会随着任务规模的增大而变差,但其较高的时间复杂度,无法应用于大规模调度。而在TBMSA算法中,CMWSL则可作为初始调度算法解决大规模任务调度问题。在相同数据集下TBMSA+CMWSL在缩短调度长度方面相较于HEFT算法平均优化了14.4%。并且,TBMSA+CMWSL算法也始终保证负载均衡。且当任务节点规模N=15000时,TBMSA+CMWSL算法的运行时间只需4小时,而CMWSL算法调度该规模任务图则需要十几天。