近年来,云计算发展迅速,云服务数量呈几何式增长,这使得用户的服务选择更加困难。服务质量（Quality of Service,QoS）,是评价云服务的重要指标,也是服务选择与推荐的有力参考[1]。为帮助用户选择合适的服务,服务推荐系统常依赖QoS预测技术筛选候选服务,QoS预测也成为服务计算中的热门研究问题。现有QoS预测方法通常结合上下文信息,通过挖掘其中的隐式特征提升预测准确度。最常用的上下文信息是位置和时间,然而位置感知的QoS预测方法中,协同过滤方法不具备对非线性特征的学习能力,能够学习非线性特征的深度学习方法又普遍存在梯度消失的问题,未能在QoS预测中有效发挥深度学习优势;时间感知的QoS预测方法往往仅对历史缺失值进行预测,忽略时间序列对于未来QoS值的预测价值。针对上述问题,本文分别基于位置、时间两种上下文信息进行QoS预测方法的研究,主要工作内容如下:（1）阐述当前QoS预测研究进展,总结了上下文感知的QoS预测技术的优势,并对其中位置感知和时间感知两类预测方法的不足进行分析。（2）针对现有位置感知的深度学习QoS预测方法中梯度消失问题,提出一种基于残差网络的位置感知的QoS预测方法（PLRes）。该方法利用残差网络特征复用的思想有效缓解梯度消失问题,在特征构造上将地理位置和网络位置信息结合,同时依据历史信息构造概率分布特征,进一步提升了预测准确性。（3）针对未来QoS值预测的问题,提出一种基于时间卷积网络的时间感知的QoS预测方法（TF-TCN）,该方法通过一种基于注意力机制的张量分解模型对历史未知数据进行填充,依据填充后完整的QoS时序数据通过时间卷积网络实现对未来多时段QoS值的预测。（4）在公开数据集WS-Dream上对两种QoS预测方法分别进行实验,该数据集为不同用户调用Web服务产生的真实数据集,本文设置不同的稀疏矩阵密度进行大量实验,充分验证了本文方法的有效性。