近些年来随着制造业的转型,人性化、智能化的制造方式越来越受到人们的关注。云制造的概念顺应时代的发展被提出,云制造是在制造即服务理念的基础上融合了云计算、大数据和物联网等技术发展起来的。云制造的任务调度和资源分配一直是当前云制造研究的热点。与侧重计算能力的云计算资源调度不同,云制造资源调度是根据云平台中虚拟制造资源的状态信息和制造任务的实时信息来产生最优的任务执行方案。随着大数据和物联网的发展,如何在最短时间内寻找最好结果是云制造资源调度分配的核心问题,利用深度学习模型训练优化调度后的数据来实现对调度结果的直接预测是一条可行的路径。本文主要从调度算法的优化和深度学习模型的改进两个方面展开,具体如下:1.针对云制造资源调度的问题,建立基于QoS约束条件下的总任务执行时间最短的调度模型。2.在云制造任务调度模型基础上,提出了一种改进的新蝙蝠算法实现对云制造多目标优化资源调度问题的求解,改进的新蝙蝠算法在原有的算法基础上加入二阶振荡环节并融入差分进化算法,改进后算法的速度和精度都有明显提升。3.在上述基础上,针对调度效率的优化问题,引入了深度学习模型,并对深度学习模型的学习率进行了改进,通过对学习率的改进达到优化模型训练速度的目的从而加快模型的训练速度。4.最后对论文先对改进的新蝙蝠算法进行仿真,使用改进的算法对提出的云制造调度模型进行求解并与其他算法进行比较,然后利用获得的调度数据集训练改进的深度学习模型,之后使用训练好的模型对调度结果进行预测并和传统方法的调度时间进行比较,从而验证本文提出的方法。