随着云计算、面向服务的体系结构以及软件即服务的流行和发展，Web软件系统的使用越来越普遍。这类系统往往运行在复杂、多变的网络环境中，面临着大量的不确定性，因此其运行时质量难以保障。另一方面，Web软件系统的规模和复杂程度越来越高，系统中往往存在很多运行时配置参数并且相互之间的交互关系十分复杂。对于这类软件系统，通过运行时的自适应能力保障并优化系统的运行时质量是一个必然的选择。这就要求Web软件系统能够在运行时根据上下文环境的动态变化，对自身的运行时参数进行优化调节，从而提高软件的总体运行质量。　　针对以上问题，本文从两个方面研究了面向Web软件系统的运行时自优化技术。针对Web软件系统所面对的运行参数（如最大连接数、负载均衡策略等）优化调节问题，本文提出了一种基于学习的多参数协调自优化方法。该方法通过一个协调器来实时监控所有的参数控制器，根据实时反馈的效用值和基于学习的算法来预测每个控制器的优化效果，从而动态决定每个参数控制器的激活或停用。针对基于服务组合的Web软件系统所面对的多种服务组合方案优化配置问题，本文提出了一种支持风险偏好的Web服务组合优化方法。该方法综合考虑了服务质量的期望值和波动性，应用投资组合理论产生适应给定风险偏好的多套服务绑定方案的组合，从而控制风险、适应不同的风险偏好。　　为了验证本文所提出的两个方法的有效性，我们分别进行了两个实验分析和评价。针对多参数调节的实验表明，我们所提出的方法能够显著提高系统的平均吞吐量及其稳定性。针对Web服务组合优化的实验表明，我们所提出的方法虽然在整体效用上有所下降，但是能显著降低服务等级协议(Service LevelAgreement，SLA)的违反率同时提高复合服务所创造的业务价值。