随着物联网和大数据技术的快速发展以及数据智能的建设推进,云计算业务急剧增长,云数据中心作为云计算服务的主要载体,承担着日益复杂且繁重的工作。由于云环境高度的动态性以及任务类型和需求的多样性,合理高效的进行任务调度成为保障云数据中心服务稳定性以及提升资源利用效率的重要途径。目前云数据中心的规模不断扩展,所处理的任务类型包含了独立的批处理任务和具有依赖关系的工作流任务模型。传统任务调度方法存在规则单一、缺乏对任务需求及机器负载感知等缺陷,容易导致云数据中心出现集群负载不均、任务最大完工时间和响应时间较长等问题。针对上述问题,本文提出基于强化学习的任务调度方法,旨在提升云数据中心任务调度效率及智能化水平,具体研究工作如下:（1）针对云数据中心独立的批处理任务实时调度中存在负载不均导致任务完工时间大的问题,提出一种基于先验知识指导的深度强化学习任务调度方法。所提方法将改进多群落粒子群优化方法产生的任务调度优化解作为先验知识赋予强化学习智能体进行评估网络的预训练,形成初始化评估网络参数,并且设计新的奖励函数以及经验回放单元数据管理机制,充分挖掘历史经验数据价值,以提高智能体学习和调度效率。实验结果表明,该方法能够提升任务调度过程中集群机器负载均衡性,从而有效降低任务最大完工时间。（2）针对云数据中心具有依赖关系的工作流任务实时调度问题,提出一种基于QoS约束的深度强化学习工作流任务调度方法。所提方法利用有向无环图（Directed Acyclic Graph,DAG）构建工作流任务模型,提取任务节点及其父任务节点特征信息,并对工作流中相互关联的任务进行并行化阶段划分,同时设计了新的QoS约束深度强化学习智能体奖励函数。实验结果表明,该方法能够提高工作流中任务的关联关系表示以及任务并行化执行度,并且在保障工作流任务最大完工时间的基础上,进一步降低了响应时间。