工作负载预测是指根据历史工作负载等信息确定未来某特定时刻的工作负载数据。精确的工作负载预测对云数据中心实现服务级别协议（Service-Level Agreement,SLA）至关重要。基于深度学习的工作负载预测算法是指使用深度学习方法解决云环境工作负载预测问题的算法,是目前工作负载预测的主流方法,但是难以平衡预测准确度和预测效率。跨场景的工作负载预测是指从一个特定的云数据中心场景的已知工作负载数据来预测另一个云数据中心场景的未知工作负载。基于迁移学习的跨场景工作负载预测算法是指使用迁移学习方法解决跨场景工作负载预测问题的算法,是目前跨场景工作负载预测的主流方法,但是缺少对深度学习模型的研究,模型的可迁移性较差。近年来,国内外专家学者使用深度学习和迁移学习等方法在云环境工作负载预测与跨场景工作负载预测领域进行了深入研究,并提出了一些较为有效的算法,但这些算法基本面临着如下问题:1)基于深度学习的工作负载预测算法大都将工作负载预测问题当作一个黑盒,缺乏对工作负载数据特征的深入研究与利用,同时复杂的模型结构降低了预测效率;2)基于迁移学习的跨场景工作负载预测算法大都采用机器学习模型进行迁移学习,缺乏对深度学习模型的研究,同时缺少对不同场景的工作负载之间相似性的研究降低了模型的可迁移性;3)无论是基于深度学习的工作负载预测还是基于迁移学习的跨场景工作负载预测,其模型的预测精度都有待提高。为克服现有云环境工作负载预测算法的上述缺陷,作者对国内外云环境工作负载预测算法进行了深入研究,并提出一种高效的基于深度学习的工作负载预测算法,以及一种高效的基于迁移学习的跨场景工作负载预测算法,本文的主要工作与创新如下:1)首次将重复模式这一特征应用到云环境工作负载预测问题。本文针对现有基于深度学习的工作负载预测算法忽略数据特征,难以平衡预测准确度和预测效率等问题,设计了一种可以挖掘工作负载蕴含的重复模式的算法,然后并行地给每个重复模式训练专门的弱学习器,并为此设计了一种基于预测误差的模式判别器来加权平均弱学习器的预测值,得到最终的预测值。据此提出了一种新的基于重复模式的工作负载预测算法RPCWP（A Novel Repeated Pattern for Cloud Workload Prediction）;2)首次将重复模式作为可迁移学习的知识应用到跨场景工作负载预测问题。本文针对现有基于迁移学习的跨场景工作负载预测算法预测准确度不足,不同场景的工作负载间相似性研究不足等问题,引入深度网络模型提高预测准确度,并设计了一种基于模式迁移的算法实现模型的迁移学习,提高了模型的可迁移性。据此提出了一种基于模式迁移的跨场景工作负载预测算法PTCCWP（A Pattern Transfer for Cross-scenario Cloud Workload Prediction）;3)在真实数据集上对本文所提出的RPCWP算法和PTCCWP算法进行了仿真实验,实验结果表明,RPCWP算法和PTCCWP算法的性能均高于当前最新最好的云环境工作负载预测算法和跨场景工作负载预测算法。尽管本文提出的两种算法可以分别提升云环境工作负载预测算法和跨场景工作负载预测算法的性能,但是这两个算法无法自适应调整预测长度,当需要改变预测长度时,算法需要重新训练模型,这增加了模型的训练开销,而编解码器可以有效解决这一问题,因此如何引入轻量的编解码器以提升模型对不同工作负载预测长度的自适应能力是作者未来的研究方向。