当前云计算技术迅速发展,云数据中心的规模也在不断扩大,随之带来的是巨大的能源消耗。在此背景下云数据中心的能耗管理和优化成为数据中心管理的重要研究方向,而面向异构云服务器的功耗模型与功耗监控是数据中心能耗研究的基础。针对现有CPU功耗模型存在的准确性不足和没有充分考虑CPU异构性的问题,本文在x86和ARM两种不同的CPU架构上分别提出新的CPU功耗模型。在x86架构上,本文提出了一种新的幂指函数CPU功耗模型。相比于现有的线性模型、多项式模型和幂函数模型,该模型在最新的服务器CPU功耗测算上有着更高的测算精度。后续本文还考虑了现代CPU的多线程和DVFS特征,进一步对该模型进行改进（IPEFM）,提升了模型测算精度。在ARM架构上,本文提出一种基于混合建模的CPU功耗模型（HBM）。该模型综合考虑了CPU利用率和CPU性能事件等建模特征,仅需较小的模型训练成本就可以达到良好的测算精度。此外,本文还研究了I/O模式和利用率与硬盘功耗的关系,提出一种结合I/O模式和利用率的硬盘功耗模型（MUBM）。该模型通过关键阈值区分硬盘的I/O模式,并将I/O利用率作为建模参数之一,从而实现硬盘功耗的准确测算。另一方面,本文设计和实现了一种面向异构云服务器的分布式功耗监控系统（Distributed Power Monitoring System for Heterogeneous Cloud Servers,简称DPMS）。在x86架构的服务器CPU功耗测算上,DPMS使用了一种改进的基于硬件感知的CPU功耗测算方法（IHCPM）。该方法根据CPU发行年份自动选择合适的CPU功耗模型,且不需要模型训练成本。借助上述提出的服务器相关功耗模型和功耗测算方法,DPMS实现了云服务器部件和整机、虚拟机和容器这四种粒度的功耗测算。DPMS可以部署在Windows和Linux两种不同的平台上,而且支持x86和ARM两种不同架构的CPU功耗测算。DPMS还采用了高效的分布式通信和存储架构,可以适应复杂的异构云环境。最后本文使用了PC Mark和Sysbench等负载工具对提出的CPU功耗模型、硬盘功耗模型和IHCPM进行实验验证,模型和测算方法的平均相对误差（MRE）都在4%之内,具有良好的测算精度。同时本文也使用自定义的负载脚本对DPMS进行了分布式集群、虚拟机和容器功耗实验,验证系统的有效性。实验结果表明DPMS能实现异构云服务器准确的功耗测算（MRE在1%-7%之间）,适用于分布式异构云环境。