随着制造业趋势偏向产品个性化、制造工艺多样化发展,使得作业车间（Job Shop）调度问题也随之变得更为复杂。调度问题作为经典的组合优化问题,能够有效解决资源的优化配置问题。然而,面对复杂多变的工作环境,传统的生产调度模型优化及优化算法遇到了瓶颈。针对上述问题,本文基于机器学习方法,研究了决策树和随机森林算法的Job Shop的调度算法。为了更好地解决柔性作业车间的调度问题,对作业车间调度问题的特性和主要性能指标进行分析,建立了柔性作业车间调度问题的数学模型;对Job Shop数据特点以及预处理方法进行了研究,对动态扰动的情况进行分类和比较分析,为后续研究基于决策树算法和随机森林算法的Job Shop调度问题奠定了基础。针对柔性作业车间调度问题,提出了基于决策树和随机森林Job Shop的调度算法。通过车间调度数据挖掘出新的决策树和随机森林规则,按照新的规则对车间任务进行调度。以单机系统为例,进行仿真对比EDD规则,决策树算法和随机森林算法的单机调度模型,通过比较最大加权延迟时间,结果可以发现随机森林算法得到的最大加权延迟时间最小,表明随机森林算法对求解车间作业调度问题具有比较好的效果。考虑Job Shop调度问题的动态扰动情况,对扰动情况下的重调度问题进行分析。为解决在扰动情况下的动态车间调度问题,根据车间调度中数据的内在关系,采用决策树和随机森林的优化算法,设计了调度框架并挖掘出新的决策规则。结合两个柔性车间的算例进行仿真,通过仿真对比SPT规则、决策树算法和随机森林算法下的最大完工时间,结果发现随机森林算法在两个动态扰动下的柔性车间算例的最大完工时间都是最小,表明本文所提出的基于机器学习的调度算法的可行性和有效性。通过随机森林算法为复杂环境下的调度车间提供一种可行的调度方案,为应用到实际生产中提供了参考。