随着科学的进步和技术的发展，科学工作流的计算规模日益增大，计算流程日益复杂，将工作流放在云环境中，利用云平台强大的计算能力和存储能力加速工作流的执行已成为当今提高工作流计算效率的重要途径。在调度研究中，科学工作流常用有向无环图(Directed Acyclic Graph，DAG)来表示。　　云环境高度的动态性使得DAG调度在实际的云环境中面临诸多挑战。例如，在云环境中我们很难准确预知工作流任务的运行时间和可用计算资源的详细信息，它们均随着时间不确定地动态变化着。基于任务执行时间和计算资源信息做出调度决策的静态调度算法在动态云环境中已不再适用。在这种情况下，以最大化可执行任务并行度为目标的在线调度算法成为降低云环境动态性影响，获得高效调度性能的一种重要途径。尽管已有许多在线调度算法如AO（AREA-Oriented）被提出来，但是它们都是基于DAG分解的算法，实施困难并且对于一般的DAG只能根据局部信息做出次优调度。　　本文提出了一种基于优先级的启发式调度算法PB(Priority BasedHeuristic)，与现有在线调度算法相比，PB具有以下优点:(1)适用于任何类型的DAG，仅通过分析工作流的拓扑结构做出调度决策。(2)采用数值化的优先级方法，简便易实施。(3)基于全局信息做出调度决策，降低了忽视最优解的几率。一系列的仿真实验表明，PB算法比现有在线调度算法具有更好的调度性能，有效地降低了云环境的动态性对调度的影响。　　此外，我们对PB算法进行了扩展，将任务执行时间差异考虑进PB算法的调度决策中，实验表明，扩展后的PB算法不仅具有较好的调度性能，而且具有较高的鲁棒性。