互联网上正具有越来越多的可以被获取和访问的网络资源,包括存储资源、计算资源、应用资源和软件资源,使得互联网逐渐成为一个开放的分布式计算平台。而面向服务的计算(SOC)和面向服务的架构(SOA)是当前分布式计算和软件开发的最新发展方向,能够帮助企业或互联网用户更加灵活、快速、低成本地开发应用程序和业务流程,其中,Web服务组合则是面向服务计算的关键技术。随着云计算、电子商务以及Internet等技术的发展,Web服务组合发生的环境发生了变化。为了实现普适性,很多基于QoS的Web服务组合方法针对通用环境而设计,没有考虑特定环境中面临的一些新问题与机会。本文将Web服务组合发生的环境进行了细分,对基于QoS的Web服务组合进行了研究,重点在于改进传统的方法使之适应这些特定环境、提出新的方法使之充分利用这些特定环境的优势并进一步研究特定环境带来的新问题,提出相应的解决方法。本文主要内容及贡献如下：1.由于互联网是由具有不同延迟的子网构成,因此位于不同网络位置的用户对相同的Web服务在服务质量上的体验具有差异。然而,服务提供商一般只提供服务QoS的平均值作为服务的评价指标,造成了目前大多数服务组合方法没有考虑网络传输性能给不同位置的用户调用Web服务带来的影响。此外,在考虑到Web服务处理能力有限的情况下,同时使用多个实体服务满足多个用户的服务请求,不但能够提高组合服务的可靠性和抗毁容灾的能力,还能够显著降低Web组合服务的总处理时间。但是,已有的方法在这样的情况下对服务动态组合的研究不足。本文借助排队网络模型,引入了网络QoS的量化指标,给出优化变量的约束条件和上下限,提出了一种运行时服务组合方法。该方法首先使用非线性优化理论选择一组优势实体服务,再根据网络当前的实际状况,在运行时选择合适的候选服务。实验表明,本文提出的方法兼顾了解的最优性和执行效率两个方面,适合参数动态变化的情境。2.以前的研究方法侧重对原子Web服务或集群服务在能源效率上的研究,却忽视了对整个组合服务的能耗研究。本文根据Web候选服务的能耗模型,计算整个组合服务的能耗,提出了能耗感知的服务组合方法。本方法给出了三个优化目标,第一个优化目标是执行时间快：能耗感知的组合方法不能以大幅度的降低执行时间来提高能耗利用率。第二个优化目标是可靠度高：组合服务中的某些原子服务可能服务率较低,但可靠性较高,因此这类原子服务也具有一定优势,它们组合在一起导致较高的总体可靠度。第三个优化目标是能耗低：根据能耗模型对服务进行选择,本文使用的M/M/c模型更贴近实际情况,能更多的减少组合服务的整体能耗。为了加快求解速度,本文用混合算法计算最优流量分布。最后在不同服务规模(抽象服务数和候选服务数不同)下进行了服务的节能效率试验,结果表明本方法在满足服务请求的前提下可以极大的降低组合服务的能耗。3.在互联网环境中,Web服务组合具有两种不确定性,一是服务调用结果的不确定性,二是QoS的不确定性。以前的研究利用离散时间的马尔可夫决策过程对具有不确定性的服务组合建模,将服务的QoS聚合值作为即时报酬,最后求得服务组合的最优策略。这要求每个状态的转移概率必须事先已知,但是转移概率是较难得到的。此外,以前的研究没有考虑QoS的取值具有一定的概率分布。本文借鉴了相关文献提出的模型的优点,进一步扩展了服务组合模型,使用具有概率分布的QoS值对服务组合建模,本文提出的方法利用了机器学习算法获得最优的组合服务。实验结果表明本方法的学习周期短,适应能力强。4.以前的学者为了简化研究,认为服务QoS属性间的关系是相互独立的,因此不能很好地度量候选服务对客户的价值。本文的方法考虑到服务的QoS属性具有相关性,因而对QoS权重的赋值能更准确的反映服务质量。此外,企业的业务能力与IT水平相匹配一直以来是其发展的最高优先级,SOA是推动这种匹配的关键技术。然而,如果没有一个可以衔接战略,战术和运作层面的服务组合方法,使用SOA的优势将很难在企业的业务层展现出来。考虑到上述两方面的因素,本文提出了一种改进的层次分析法用于组合服务,该方法结合战略、战术和运作层面的决策,同时考虑相互依赖的QoS属性,对服务组合的方案进行了排序,从中可以选择出最适合企业战略的组合方案。