随着移动互联网信息技术的普及和蓬勃发展,网络用户及其业务需求在数量和规模上呈现急剧上升的趋势,进而导致云平台中的组合服务也变得越来越复杂化和多样化,这对云平台中组合服务的调度方法提出了更高的要求。传统的云应用供应商以虚拟机为基础来部署应用程序的方式,愈发地不能满足企业和用户对服务的迫切需求。而容器作为一种新型虚拟化服务技术,相较于虚拟机而言,具有响应速度快、资源利用率高以及更易于部署和维护等诸多优点,很快便受到了各行各业的高度关注和广泛应用。此外,深度强化学习在自动化控制问题中表现出较强的感知和连续决策能力,其为解决云计算领域中的服务调度和资源分配问题提供了全新的思路和方法。因此本文将改进后的深度强化学习算法应用于容器云环境下的组合服务资源调度方法中。在组合服务和资源的模型设计阶段,考虑到容器具有更易分发和部署的特性,本文设计了一种预留-按需混合容器实例模式下的组合服务调度模型。将集群中的容器分为预留和按需两种实例模式,而组合服务则被描述为“组合服务-服务-服务实例”三级结构,以服务实例为最小调度单元,按其物理资源需求和容器集群资源状态建立数学模型。在调度算法设计阶段,针对Deep Q-Network（DQN）算法存在过高估计、学习效率低等问题将其进行了改进。并以减少组合服务的完工时间,提高服务质量和容器云环境下资源利用率为优化目标设计深度强化学习的奖励函数。最后将改进后的算法应用于本文提出的组合服务资源调度模型中。在仿真实验阶段,本文基于离散模拟仿真库Simpy设计并实现了针对容器云环境下的组合服务资源调度模拟仿真框架Container Cloud Sim Py,并通过该仿真框架来验证本文提出的模型和算法的有效性。实验结果表明,将改进后的DQN算法应用于容器云环境下的组合服务调度方法中,能够有效的降低组合服务的完工时间,并提高用户Qo S和容器云环境下的资源利用率。