时间敏感网络（Time Sensitive Network,TSN）是能够提供确定性传输保障的新一代交换以太网技术。在TSN中,高优先级业务通常由计划流（Scheduled Flow,SF）承载,在IEEE 802.1Qbv引入的门控机制控制下进行传输。TSN中进行SF流量调度,就是在给定网络和SF相关信息条件下,计算并生成全网所有节点输出端口上门控列表（Gate Control List,GCL）。为满足TSN实际应用需求,本文围绕该流量调度问题开展研究。首先,本文对TSN流量调度问题进行建模。结合TSN实际场景与现有方法,将时间敏感网络调度问题映射为无等待车间调度问题,在此基础上建立了统一的数学模型,得到的优化问题属于NP-hard问题。本文通过将问题约束线性化,进而形成整数线性规划（Integer Linear Programming,ILP）问题,使用相应求解工具进行求解,并通过仿真和分析指出ILP求解的局限性。接着,本文对动态场景下的调度算法进行研究。在动态网络中,流量负载较轻,需要快速计算。而随着网络中可能冲突的传输次数增加,使用ILP工具求解该问题花费时间较长,不再适用于动态场景。本文提出了一种基于周期跳数优先序列的贪心调度算法（PHS-Based Greedy Scheduling Algorithm,PHSGSA）。在多个场景下进行了仿真,结果表明PHSGSA能够快速有效地解决轻负载场景下的TSN调度问题。最后,本文对静态场景下大规模网络的调度算法进行了研究。在静态网络中,允许通过较长时间的计算,得到更高质量的调度结果。本文基于该场景下TSN的性能要求和所建立的数学模型,提出了更符合静态场景的调度结果评价准则,以实现对网络利用率与剩余带宽的多目标优化。在此基础上,进一步提出了自适应混合初始种群遗传算法（Flexible Mixed initial population Genetic Algorithm,FMGA）,该算法能够根据不同场景下的问题特征,自适应产生具有更好性能的混合初始种群。设计了仿真程序,对不同的网络节点规模、SF周期特性、网络业务负载等场景下多种算法的调度性能进行了详细的仿真对比。结果显示,相比于现有算法,FMGA复杂度更低,并能在大多数仿真场景中获得更好的调度效果。