服务组合作为面向服务的计算(Service-Oriented Computing，SOC)和面向服务的体系架构(Service-Oriented Architecture，SOA)中的关键技术，一直以来都是服务计算领域倍受关注的焦点。而随着计算机、互联网、移动通讯的普及，特别是云计算、Web2.0、移动互联网等新型信息化技术的发展和应用，现代服务业信息系统呈现出大规模复杂化发展的新态势，而服务组合技术也发生了巨大变化，日趋复杂化。为此，本文提出了复杂服务组合这一概念，并总结了其不同于传统服务组合的三大特点:海量规模、多元关系和跨界环境。　　本文紧紧围绕复杂服务组合的三大特点展开研究，研究内容涉及到服务组合流程中的三个主要步骤，包括服务组合规划、备选服务推荐和组件服务选择。具体来讲，本文的工作和主要贡献如下。　　(1)研究了面向海量规模的服务组合规划技术。本文为应对复杂服务组合海量规模的特点，研究了快速高效的服务组合规划技术。首先基于规划图的思想提出了一种双向搜索服务组合规划方法。该方法分为三个阶段:正向搜索阶段、最优组合QoS计算阶段和逆向全解构造阶段。正向搜索阶段根据用户的请求对服务库中的服务进行层次划分，去除无关服务并得到具有并行调用结构的组合服务原型。最优组合QoS计算阶段利用正向分层阶段得到的参数的服务源信息，计算每个服务的最优组合QoS。最后的逆向全解构造阶段以服务的最优组合QoS为约束条件逐步构造出满足用户需求且QoS最优但结构不同的所有组合服务。为了进一步提升服务组合规划应对海量规模时的可扩展性，本文还提出了一种基于并行优化的服务组合规划方法，该方法将服务组合规划分解成能够并行执行的若干子任务，基于MapReduce的思想提出了并行服务组合规划框架，而且该方法能得到QoS最优的前K个解，这又提高了方法在复杂应用环境下的可靠性和适用性。　　(2)研究了面向多元关系的备选服务推荐技术。本文为应对复杂服务组合多元关系的特点，研究了备选服务的个性化推荐技术。首先提出了一种基于随机游走的备选服务推荐方法，该方法首先对用户之间的社会关系网进行信任加权操作，即评估直接相连的用户之间的信任相关度。然后基于一种改进的随机游走算法RelevantTrustWalker进行服务推荐，该算法同时考虑了用户之间的信任度和相似性进行推荐，使得每次游走时更趋向于选择与目标用户相似的节点，从而提高了服务推荐的效率。为了进一步提升备选服务的推荐准确率，本文又基于目前最流行的矩阵因式分解技术，提出了一种基于深度学习的备选服务推荐方法，该方法将一种深度学习方法Deep Autoencoder引入矩阵因式分解中的初值学习，然后对矩阵因式分解的学习模型进行了社交关系改进，不仅考虑了用户之间的直接信任关系，还考虑了社交关系网络中的团体效用，通过真实数据集的实验结果表明，该方法能够提升服务推荐的准确度。　　(3)研究了面向跨界环境的组件服务选择技术。本文为应对复杂服务组合跨界环境的特点，以移动网络环境作为跨界环境的典型应用场景，研究了面向移动网络环境的组件服务选择与可靠执行技术。本文首先提出了基于移动感知的组件服务选择方法，该方法首先建立用户移动模型，接着基于该移动模型提出了移动感知的服务质量体验模型，并将移动环境下的服务选优问题转化为以整体服务质量体验为目标的优化问题。然后基于“教”与“学”优化算法对该问题进行求解。相比于传统组件服务选择方法，该方法由于引入了用户移动模型，使得选择出的服务组合结果即便是在动态的移动网络环境下依然能够保证良好的执行效率。针对服务组合的可靠执行，本文进一步提出了基于计算卸载的服务组合可靠执行优化方法，该方法首先采用基于随机关键点(RWP)的移动模型描述用户的移动性。在此基础上考虑移动终端的受限能力能耗、组合流程之间的依赖关系等因素，实现服务组合执行时间、能耗以及可靠性等多目标的最优化，从而实现了移动环境下服务组合执行的高效率、高可靠、低能耗的多重目标。