近年来随着产业数字化的推进,云计算技术的快速发展,客户和其对于云计算资源的需求量的增长也突飞猛进。一方面云服务提供商需要能够迅速及时地响应用户的请求,提供给云计算用户优质的服务,满足用户的计算需求。但是另一方面规模日益扩大的数据中心的消耗了大量的电能,但目前数据中心的资源利用率仍然较低,带来了不必要的资源浪费和环境污染。因此如何通过有效的云资源管理技术在保证云计算服务的服务质量（Quality of Service,Qo S）的前提下,提高资源利用率,减少云数据中心能耗是一个亟需解决的问题。然而,尽管有很多的相关研究,目前的云资源管理方法的资源利用率依然不高,造成了能源浪费。本文主要以通过提高资源利用率,优化云数据中心资源配置,实现高效节能的资源管理为研究目的,主要研究内容包括:1.针对单个云数据中心资源管理提出了一种基于深度置信网络（Deep Belief Network,DBN）和粒子群优化算法（Particle Swarm Optimization,PSO）的CPU使用率预测算法,称为DP-CUPA,目的在于通过提高未来时刻CPU使用率预测精度,方便资源管理器更好的进行资源管理,减少能耗,降低成本。该方法包含三个主要步骤。首先,对CPU使用率的历史数据进行预处理和规范化。然后,采用自回归模型和灰色模型作为基础预测模型,并对其进行训练以提供额外的输入信息来训练DBN。最后,PSO用于优化DBN参数,并且通过DBN来预测CPU使用率。通过对Google集群使用情况跟踪的真实数据集进行的大量实验,评估了DP-CUPA的精确度。2.针对多数据中心资源管理过程中存在的资源利用率低、能源消耗大的问题,提出了一种基于请求预测的多云数据中心资源配置方法。该资源配置方法基于应用请求预测结果指导资源分配策略生成资源配置方案。资源配置算法首先根据目前的数据中心CPU利用率为应用请求分配接收它的云数据中心,并按照虚拟机（Virtual Machine,VM）分配策略将其分配给该数据中心已存在的VM或者临时构建的VM,通过物理机（Physical Machine,PM）分配策略将VM将分派到合适的物理机。基于请求预测的资源配置,不仅可以减少不必要虚拟机和物理机空闲运行,还可以提高资源的利用率,减少能源消耗。该算法通过提前预测应用请求,指导资源管理器提前制定分配方案。通过相应的仿真实验证明了本文所提出算法的有效性。