随着微服务体系架构和云计算技术的高速发展,如何合理地对服务进行组合,组合后又如何高效地给这些服务调度资源,逐渐成为行业内研究者关心的重点。本文针对微服务架构下的服务组合与任务调度问题,分别展开相关研究。传统的服务组合方法在解决约束条件下的服务组合问题（CSSC）时往往只考虑静态Web服务,当出现服务的非功能QoS属性波动或是服务不可用的动态场景时,这些方法便不再适用。近年来,许多研究者提出了使用强化学习,特别是结合Qlearning的思想来解决动态CSSC问题,然而这种策略算法依赖于Q表来搜索最优候选服务,当CSSC问题变得复杂庞大时,Q表也会随之变大,这使得最后的组合成本变得非常高昂。针对约束条件下的服务组合问题,本文提出了一种新的服务组合算法模型CSSC-DQN,该模型将深度强化学习与服务组合问题相结合,可以有效地使用细粒度的非功能QoS属性对服务的不确定性进行建模,并在复杂的场景中动态地选择合适的候选服务进行组合。最后在真实数据集中的对比实验结果证明了本模型的先进性和强大的泛化能力。此外,在组合好合适的服务之后,需要对组合后的服务进行合理的资源调度,一个好的任务调度策略对用户获得服务的质量和服务提供商的资源利用具有非常重要的意义。传统的调度方案通常需要先制定一个调度计划,然后让所有任务根据调度计划进行调度。但是这也使得这些调度方案在遇到突发状况时无法灵活快速地做出反应,而且任务之间的依赖关系也往往会被这些方案所忽略,这些都会导致延迟调度和不必要的资源浪费。现今许多前沿工作开始采用基于强化学习的任务调度方案,这些方案往往依赖于Q表。在云环境中任务数量巨大的情况下,这些解决方案很容易受到状态爆炸的影响。针对云环境下的任务调度问题,本文设计了一个基于深度强化学习的多阶段任务调度框架MSFRL。框架首先训练一个深度强化学习代理,代理会在考虑了任务的属性和依赖关系的前提下计算任务的优先级。然后,框架会训练另一个代理按照任务优先级将集群可用资源调度分配给合适的任务。两个经过训练的代理可以协同配合做出适当的调度决策,以应对动态环境中的大规模任务调度问题,在最后本文用公开的阿里巴巴数据集来评估本文的调度框架。实验结果表明,本文提出的MSFRL调度框架优于其他前沿工作。