随着应用种类的增多和数据规模的增大,传统资源组织和管理方式无法满足用户对计算和存储的需求,这促使云计算概念出现和快速发展。云计算将成百上千的计算机组成远端大规模集群,将计算能力、数据存储和应用等以服务方式提供给用户,使用户像水电一样使用计算机资源。一经提出,受到学术界和企业界的广泛关注。随着越来越多的应用迁移到云平台,提高云计算平台的性能具有十分重要的意义。随着云计算的不断应用和发展,.针对应用需求出现了不同类型的分布式计算框架,相应产生了多种云计算平台。主流云计算平台包括：(1)适合处理离线批量应用的基于MapReduce计算框架的云平台,(2)可快速处理迭代应用和递增应用的基于事件驱动的云平台和(3)支持同时运行多种计算框架应用的弹性计算云平台。本文在深入调研云计算领域关键技术和研究现状的基础上,针对主流云计算平台,以提高云计算平台性能为目标,研究任务调度问题。本文的主要内容和贡献点如下：1.研究了基于MapReduce计算框架的云平台特性,提出了基于预取的调度算法,并进一步实现了一个任务调度器-HPSO。将预测机制、数据预取技术和任务调度三者结合,在任务调度策略的指引下采用数据预取技术,提高具有数据本地性任务的比例,进而优化云平台性能。实验结果显示：HPSO可获得不低于90%的数据本地性,可获得最高1.49倍的加速比。2.分析了基于事件驱动的云平台的特性,提出两步调度算法,并设计了任务调度器一TSS。该算法将新触发器直接分配到监测数据所在节点上,以响应数据更新；随后针对集群负载不均衡的情况,运用主节点宏观调控下的分布式随机抽样均衡算法进行负载均衡。将TSS配置在基于事件驱动的云平台Domino上,通过实验验证了该算法的有效性。3.分析了影响弹性计算云平台的性能因素,该平台采用增量资源机制防止任务饿死,为任务预留资源,导致资源利用率低,基于此提出了一种新的分类调度算法- CategoryS。该算法定义了小作业(small job)和大作业(largejob)两种标签,算法可分为两部分：第一部分,优先执行large job,尽量减少预留资源次数；第二部分,CategoryS将large job预留的资源借给smalljob,当large job所等待的资源到达时,收回借出的预留资源,这样即不影响large job的运行,且提高集群利用率。将CategoryS配置在YARN上，实验结果表明,该算法可有效提高混合任务集的性能。