实例密集型工作流作为互联网的一种重要的、日益广泛的商业应用，如日交易百万笔的网络购物，且这规模还在快速增长。然而传统的分布式计算、并行计算和网格计算，难以适应高速增长的数据量庞大的实例密集型工作流应用，而云计算通过打造“云”来实现海量数据的处理，可以较好地解决实例密集型工作流应用数量量庞大的问题，所以实例密集型工作流应用将逐步往云环境中迁移，其中资源调度是一个关键问题。目前云环境下的实例密集型工作流调度算法主要集中于QoS(成本、时间)因素，而没有过多地关注资源可靠性因素，出现资源故障而导致任务执行中断的风险较高，进而增加任务的额外执行成本、推迟任务完成的时间，甚至引发重调度。鉴于以上问题，本文引入信任机制，建立资源的信任模型来评估资源的可靠性，其中直接信任度由资源自身的历史经验(服务时间、服务成功次数、服务失败次数、服务延迟次数)以及基于时间序列最近偏向技术而得到的时间衰减因子α共同决定；间接信任度主要依据任务节点执行任务的失效规律来确定。然后，针对云资源不可靠、实例密集型工作流对资源竞争激烈等特征，进一步设计了信任驱动的满足截止期限的成本最小化(Trust-driveMinimizeCostWithinDeadline，TD-MCWD)算法。一方面，该算法交错开具有相同特性的大量的实例的子最后期限，以期待获取更加便宜的竞争激烈的资源，因为长子任务期限的任务有机会获取完成较短子任务期限释放的便宜的资源；另一方面，该算法会根据信任模型评估出来的资源可靠性，预估任务在资源执行的成功与失败的概率，然后综合考虑任务成功执行时的执行成本与执行时间、任务执行中断时带来的风险成本与风险时间，预测出任务执行的总时间和总成本，然后在满足任务子期限的约束条件下，选择总成本最小的资源执行任务。最后，扩展了CloudSim云仿真平台，实现TD-MCWD算法，并与其他算法进行仿真实验比较，结果分析表明，TD-MCWD算法可以降低实例未按时完成率和减少成功完成实例的平均执行成本，并且拥有较好的负载均衡，呈现出较好的性能。