随着全球云计算领域的活跃创新和云计算技术的不断发展和成熟,越来越多企业的信息系统开始采用云计算模式部署,企业上云意识和能力不断增强。云计算体现在现实生活中是由大量服务器、存储、网络设备等物理设备组成的数据中心。但是,大多数云数据中心的资源利用率很低,这给云提供商带来了高昂的运营成本和巨大的能耗。预测云数据中心主机资源使用情况已成为提高云数据中心资源利用率、降低能耗和节约成本的重要手段之一。然而,由于云主机承载的业务系统存在多样性和复杂性,导致主机资源使用的不确定性和突变性,使得主机资源预测效果有限。如何提高预测云主机资源使用率的能力,是云数据中心资源有效管理中亟待解决的问题。本文在国内外主机负载预测研究的基础上,针对某省电信运营商私有云服务器性能时序数据分别设计了基于长短期记记网络的预测模型和基于卷积神经网络的预测模型,并结合这两个网络各自的优势,提出了多变量的CNN-LSTM混合预测模型。最后,将多变量的CNN-LSTM混合预测模型应用于服务器监控系统,在实际生产环境中有效地提高了服务质量和云资源利用率。本文主要研究内容如下:（1）分析影响主机负载的主要指标和相关性能指标的监控、采集方法。详细分析了影响主机负载的主要指标:CPU、内存、磁盘IO、网络IO,并以Linux操作系统为例,介绍了相关指标的监控和采集方法。（2）深度学习框架下组合模型的设计。基于LSTM在时间序列处理方面的优势和CNN在特征表达上具有的优势,分别设计了基于LSTM的预测模型和基于CNN的预测模型。最后,结合两个网络的技术优势,提出了多变量的CNN-LSTM混合预测模型。（3）以某省电信运营商私有云服务器性能数据为研究对象,将多变量的CNN-LSTM混合预测模型应用于服务器监控系统。首先选取云数据中心主机负载（CPU使用率）数据进行多时间维度统计分析,其次基于采集的8个月（每5分钟）负载数据,利用设计的三个模型对主机CPU使用率进行预测,然后分别将三个模型的预测结果与预测基线模型结果进行对比,验证了CNNLSTM混合模型的有效性和平稳性,最后将多变量的CNN-LSTM混合预测模型应用于服务器监控系统。