随着大数据、人工智能等领域的发展,任务调度的需求量不断增加、应用场景不断丰富,同时任务的触发条件也愈加复杂,现有的分布式任务调度系统难以应对复杂的业务场景。一方面,现有支持DAG任务、批量任务的调度系统多针对Map Reduce计算框架,缺乏对其他平台任务的支持;另一方面,现有的分布式任务调度系统缺乏对高效任务调度算法的支持,任务调度低效,容易出现负载不均的情况。针对以上问题本文建立分布式任务调度系统模型,提出了针对DAG任务和批量任务的任务调度算法,设计并实现了支持多种任务类型的分布式任务调度系统。本文的主要工作和贡献为:（1）针对DAG任务调度问题,建立了任务调度失效模型,提出了一种DAG任务调度算法GA-EFT。GA-EFT算法将寻解范围缩小至有效解空间,从而改善了遗传算法求解任务调度问题时收敛过慢的问题。仿真实验表明,GA-EFT算法收敛速度较快,具有良好的调度性能,并且可以有效减少任务因失效造成的时间浪费。相较于传统遗传算法、蚁群算法和HEFT算法,平均失效时间占比分别下降了12.8%、16.4%和30.5%。（2）针对启发式、元启发式DAG任务调度算法处理优化空间较小的DAG任务时算法耗时较长的问题,提出了一种自适应DAG任务调度算法ORPBA。ORPBA算法根据DAG任务的基本特征对优化空间进行预测,并选择恰当的任务调度算法对其进行调度。仿真实验表明,ORPBA算法在任务调度执行总耗费时间方面相较于GA-EFT算法减少了11.9%。（3）针对批量任务调度问题,提出了针对批量任务调度的SAMM算法。SAMM算法通过自适应调整负载信息采集方案,在保证执行节点负载均衡的基础上提升批量任务调度的性能。仿真实验表明,SAMM算法作为Max-Min方法的改进方案,算法平均耗时占动态Max-Min方法的21.6%,相较于静态Max-Min方法平均调度性能提升了19.6%,在任务的总耗费时间方面相较于动态、静态两种方法都有较明显提升。（4）设计并实现面向业务操作、支持DAG任务和批量任务调度的分布式任务调度原型系统,并进行了功能和性能测试。测试结果表明该原型系统达到了预期设计目标。