在大数据和云计算日益发展的当下,基于云环境的多工作流调度问题逐渐引起人们的关注。云计算是一种按用付费的新型计算模式,通过合理的调度方案来满足用户的服务质量需求（QoS）。常见的QoS主要有截止时间约束等。调度方案的优劣决定了处理器利用率和作业成功率的高低,这两项性能指标与服务提供商和用户的利益密切关联。因此,本文的研究课题是云环境下具有截止时间约束的多工作流调度问题,调度目标是提高处理器利用率和作业成功率。针对实例密集型工作流的应用中,常有多个作业同时提交的情况,本文提出了基于作业合并的CSJM算法。理论上,同时刻提交的作业优先级相同,在调度时应该是平等的。CSJM算法通过将同一时刻提交的作业进行合并,来保证调度的公平性。该算法首先引入合并参数,限制单次合并作业数,进行分组合并,以此作为合并条件;然后按照合并方法将同组作业合并为一个新的作业。同时,为提高算法性能,本文设计了预实验对如何合理设置合并参数的值进行探究。针对数据密集型工作流任务间通信量大,而现有调度研究常忽略通信损耗的问题,本文提出了基于数据依赖的KSTA算法和STLA算法。这两个算法主要从任务调度顺序和处理器选择策略这两个方面做出改进。在任务调度顺序上,二者均采用了基于水平权重的任务排序策略。在处理器选择上,核心思想是尽量将与父任务之间通信量较大的子任务,调度到父任务所在处理器上执行。为此,本文引入参考值RV这一概念。计算参考值时,对于符合条件的子任务,通过减去通信量补偿因子来加强父子任务间的联结。不同点在于,KSTA算法仅考虑关键父子任务间的关系;STLA算法则按照通信量大小依次考虑各个子任务。本文通过RTWSim模拟器进行工作流随机生成,同时设计仿真实验,将新提出的算法与FCFS、HEFT、MIN-MIN和MAX-MIN等经典调度算法进行对比。实验结果表明,本文提出的调度优化方案和相关算法,能够有效提高处理器利用率和作业成功率。