云数据中心为大数据、物联网、人工智能等提供基础性平台支撑。云数据中心呈现用户需求多样化、任务执行并行化、资源分配动态化等特点和需求。动态资源分配与调整是云数据中心资源高效利用和服务质量保证的有效方式。本文聚焦于云数据中心资源动态调整,实现用户需求与环境自适应的资源实时优化利用。具体研究内容如下:针对基于单纯形(Simplex)、智能爬山等算法的资源动态调整方式存在迭代次数多、收敛速度慢、效率低下的问题,难以快速响应应用需求变化。关联应用执行的先验知识,构建基于强化学习(reinforcement learning,RL)的资源优化分配模板和自适应的资源动态调整方法,实现云数据中心资源与应用需求的快速映射,提升资源需求动态变化下的云数据中心服务质量。实验表明,相比智能爬山算法,所提出的方法资源动态分配时延降低了22%。针对基于RL的资源动态调整方法的学习过程效率低的问题,提出基于先验知识的动作选择方法,加快学习过程从而提高学习过程效率。针对基于RL的资源动态调整方法搜索空间大的问题,使用Simplex算法得到最佳配置集,提出基于Simplex的状态空间约减算法和Simplex-RL混合资源动态调整方法,减小搜索空间从而提高了算法效率。实验表明,相比智能爬山算法,所提出的方法资源动态分配时延降低了30%,相比基于RL的资源动态调整算法,所提出的方法资源动态分配时延降低了6%。基于所研究的方法,设计并实现了云数据中心资源动态调整系统,该系统具有监控应用负载、关联应用执行的先验知识、学习资源优化分配模板、资源动态调整等功能,满足资源调整的实时性和服务质量的要求。该系统运用于云数据中心的云计算平台,验证了所研究方法的有效性。