网格是由硬件和软件构成的基础设施，提供对高性能资源可靠的、一致的、无处不在的、廉价的访问。在网格计算中，资源可能是动态的、异构的，资源之间的性能和能够提供给用户的服务质量可能有很大差别。为了合理、高效地利用计算资源，任务调度是网格计算的一个非常重要的研究课题。网格资源具有非专注性是网格系统的一个重要的特点，网格资源非专注性的实质是网格任务与本地任务共享网格资源。传统的任务调度算法没有考虑资源本地负载对网格任务执行时间的影响，因而传统的任务调度算法不能很好地解决网格任务调度问题。　　 针对网格环境中存在的资源非专注问题，本文从网格资源负载预测和基于负载预测的网格任务调度等方面进行研究。本文的主要研究内容包括：　　 1.网格资源负载预测模型。本文讨论了使用AR模型进行负载预测所面临的两个问题：长期预测问题和模型阶数的选择问题。针对长期预测问题，提出了数据聚合的方法；针对模型阶数选择的问题，提出了一种根据历史预测反馈信息动态选择模型阶数的方法。在此基础上提出了一种基于数据聚合和历史预测反馈信息的网格资源负载预测模型。仿真实验显示，本文提出的负载预测模型能够有效地提高负载预测效果。　　 2.基于负载预测的网格任务调度模型。本文通过分析任务在有本地负载的资源上的执行时间与本地负载的关系，讨论了根据资源本地负载和任务在无本地负载的资源上的执行时间估算任务在有本地负载的资源上的执行时间的方法。在此基础之上，提出了一种基于负载预测的网格任务调度模型，包括任务调度框架、任务调度过程和任务调度算法。通过仿真实验可以看出，该模型可以提高网格任务调度效果。　　 3.网格任务调度系统的实现。本文在东南大学校园网格平台(SEUGrid)基础上，设计并实现了网格任务调度模块、网格任务期望执行时间估算模块和负载预测模块，从而在SEUGrid中实现了基于负载预测的网格任务调度原型系统。　　 本文分析了网格的非专注性以及网格任务执行性能的规律，研究了网格资源负载预测以及基于负载预测的网格任务调度。本文的研究成果考虑了资源本地负载对网格任务执行时间的影响，解决了非专注的网格环境中任务调度问题，提高了网格任务调度与执行的性能，为大规模科学计算任务在网格环境中的成功执行提供有效支撑。