云计算作为解决大数据和分布式计算的主要手段,将集群资源以服务的方式提供给用户,用户只需像使用水、电、煤气一样按需使用、按使用量付费。随着大数据时代的到来,云平台下拥有的主机越来越多,已经达到成千上万,集群规模越来越大,集群主机节点存在着大量的异构性、多样性、不确定性和模糊性,资源划分与任务调度已经成为云计算领域研究的重点和难点。在应对高维矩阵运算时,传统的串行模糊聚类划分存在运算效率低、空间不足等严重的问题,消耗时间较长,无法达到云平台下资源聚类的时效要求。同时在聚类基础上进行任务调度的研究还存在着很多不足,大多只考虑完成时间,没有兼顾用户Qo S和系统负载均衡。因此,有必要对任务调度算法进行研究与改进,使其更好的应用于云计算领域中。论文主要针对云计算中的资源聚类和任务调度问题进行了研究,论文所作主要工作如下:1.针对传统串行聚类算法无法处理云计算中大规模矩阵运算所出现的运算效率低、甚至运算空间不足无法聚类等问题,提出了模糊C均值聚类算法的一种基于Map Reduce的并行化解决方案,有效地缩短了聚类时间,大大提高了运行效率。2.针对目前云计算环境中调度算法的不足,在基本Min-Min算法的基础上提出改进,考虑完成时间和执行费用,兼顾了用户Qo S,有效地解决了传统的Min-Min算法造成的负载不均衡问题,并极大地提高了用户满意度。3.通过对Cloud Sim平台的扩展、重编译、运行,分别实现了基于模糊C均值算法的并行化资源聚类和基于用户Qo S的任务调度算法,并与其他调度算法进行对比分析,实验结果验证了论文算法的可行性,可以很好地完成任务调度,且保证了任务总体完成时间和服务费用最优,提高了用户满意度。