目前,数字业务的种类和规模不断扩大,推动着云计算基础架构向着更灵活、更智能、可扩展的方向发展。混合云作为云计算的一种形态,融合了不同架构的特点,能够充分发挥云计算的核心优势。然而,混合云的灵活性、异质性以及复杂多样的用户需求,也给任务调度问题带来了巨大的挑战。因此,本文以混合云环境为研究背景,打通私有云和公有云之间的连接,结合用户的多样化需求构建了高维多目标任务调度模型,并进行了求解。本文主要工作为:（1）为了全面解决混合云环境中应用负载扩充、隐私数据保护、绿色调度和用户多样化需求等问题,本文构建了一个面向混合云环境的高维多目标任务调度模型,该模型以租赁公有云资源量和任务分配策略为决策变量,以任务完成时间、用户成本、云资源能耗和资源利用率为优化目标,并以保障用户任务数据隐私为约束条件。针对模型使用经典的高维多目标优化算法进行了仿真实验,验证了模型的有效性。（2）由于任务调度模型中独特的决策变量提高了问题求解的复杂度,而且传统的进化算子不能针对模型产生有效的个体。因此,本文设计了一个对称种群区域划分的高维多目标任务调度算法,针对传统区域划分方法没有考虑未分配个体的子空间的情况,设计生成对称种群,从而使得种群中的个体能够更加均匀的分布。此外,还根据混合云任务调度模型的约束条件设计了交叉变异策略和偏差基因调整策略,改进了进化算子,在保证数据隐私和资源扩充的基础上,产生子代个体。通过仿真实验验证了算法在DTLZ、MaF标准测试集和任务调度模型上的有效性。（3）考虑到对称种群区域划分调度算法的性能主要依赖于目标空间区域中参考信息的定义,对于最优前沿面不规则或未知的问题类型,不能得到优秀的解集。因此本文在第二章算法的基础上提出了一个自适应参考向量选择的高维多目标任务调度算法。通过设计自适应参考向量选择和调整策略,在每一代种群中选择合适的个体作为参考向量,使得参考向量的分布与最优前沿面在迭代过程形成正反馈,以达到提高算法性能的目的。并结合参考向量分布改进子代选择策略,以保存收敛性和多样性较优的个体进入下一代种群。最后,在相同评价指标下对比本章算法和其他常用算法在DTLZ、MaF测试集和任务调度模型上的性能,验证了算法的有效性。