科学工作流是多个结构化活动和细粒度计算任务组成的集合,随着科研信息化的出现,工作流调度作为核心组件,已用于描述复杂的多重依赖型任务以及任务之间控制流的表示。与其他应用类似,科学工作流也得益于基础设施即服务云（IaaS云）,基于需求而弹性提供的可扩展性资源可经由IaaS云访问和获取并按需付费,然而大数据应用在云服务资源上的高效调度仍然面临众多亟待解决的挑战,科学工作流任务之间芜杂的关联性增加了问题的复杂度,这促使研究者们不断探寻启发式、元启发式和混合的方法,以期找到工作流调度问题的最优解,因为低效的资源分配和调度除了导致时间和开销增加外毫无裨益。本文针对云计算环境下资源分配和工作流调度提出新的优化方法,这些优化方法使得用户和云服务提供商的许多服务质量（Qo S）指标均得到优化,比如运行时长、运行开销、负载均衡以及资源利用率。本文的主要工作包括:（i）定义和描述云计算环境下调度算法必须解决的问题;（ii）对云计算环境下科学工作流调度问题目前最前沿的先进技术和方法进行全面的分类和总结;（iii）针对在动态可扩展虚拟机组上的任务调度问题,结合启发式和混合整数规划（MIP）模型,提出一种满足最新运行时间的运行开销优化方法;（iv）针对冲突目标的多目标优化问题,基于Pareto最优非支配解,提出一种新的混合元启发式方法,以期达到Pareto前缘的最佳收敛和多样化;（v）为了优化在可动态分配云服务资源上的运行时间,提出一种高效的能够感知结构和预算的工作流调度策略。本文提出的方法给云计算环境下资源分配和工作流调度的效率均带来显著的提升,从而让云服务提供商能够提供更好的云服务,用户也能够获得更优的服务资源。