云计算技术,由于高扩展性、超大规模、高可靠性等优点得到了快速发展。近年来,随着数据中心规模的高速增长,传统的静态资源管理技术导致资源利用率降低、能耗排放增加,因此数据中心的动态资源管理技术成为当前云计算研究领域的热点之一。数据中心的资源负载需求量处于不断变化的状态,通过准确预测资源需求量的方式能够有效地管理资源,达到提升资源利用率的目的。使用负载预测技术预测未来时刻的资源需求量,从而动态调整可用资源的数量,具有重要的理论意义和应用价值。本课题重点关注云计算环境下的数据中心负载预测技术,对于传统预测方法难以适应资源负载需求动态变化的问题,针对影响资源负载需求变化的相关因素开展了一些列研究。首先对资源负载序列构建特征向量,采用SOM神经网络对负载序列进行分类并作为预测模型的输入,在LSTM中引入注意力机制来预测未来时刻的资源负载特征。其次针对资源负载进行建模,将数据中心资源负载特征定义为平缓期、波动期、抖动期三种时期,并根据三种时期的特点针对性的施加策略。通过负载预测技术使数据中心能够预知未来时刻的资源负载需求量,从而高效分配资源。（1）针对数据中心资源负载特征通常呈现出不同的波动强度,提出了一种基于深度学习的云资源负载特征预测方法。首先,采用数据分析、特征提取等方法构建资源负载序列的特征向量。其次,针对该特征向量采用SOM神经网络进行分类从而获得具有更高的内部相似性的子序列,并将其作为预测模型的输入。最后,通过对LSTM引入注意力机制,使模型能够度量不同信息特征的重要性从而能够有效的提升资源负载波动的预测精度。（2）针对数据中心资源负载需求变化的高动态性,提出一种面向能耗优化的组合预测方法。借鉴三支决策的基本思想,通过对数据中心的资源负载特征进行三支划分,从而设立资源负载需求的三种时期,并针对性施加预测模型。首先,根据三支决策将负载特征定义为平缓期、波动期、抖动期三种时期,利用模拟退火算法从历史资源负载序列中学习出三支决策模型所需的阈值,并根据该阈值进行数据中心负载特征的三支划分。其次,借助三支决策的的基本思想,对三种时期下的资源负载序列分别构建预测模型,从而得到多个资源负载序列的联合预测结果。最后,通过先验误差预测进一步提升预测精度。针对本文提出的预测模型进行了实验评估,实验结果显示,本文提出的方法能够有效地提升预测精度,提升资源利用率,降低SLA违约率。