大数据是网络信息时代的客观存在,其产生的意义在于对数据进行专业存储和处理,并从中挖掘和提取所需要的知识和信息。Hadoop作为数据分布式处理系统的典型代表,在数据的分布式存储、计算、分析等多方面性能优越,为提升资源的利用率,Hadoop引入了资源统一管理调度系统YARN。YARN自带了三种资源调度器用于同构集群环境资源的分配,随着虚拟机在各大数据中心的普及,集群异构性凸显,这些内置的调度器性能极速降低,难以满足用户的需求。于是,针对异构集群的资源调度成为大数据领域研究的热点。本文在对Hadoop异构集群资源调度问题进行深入研究后,解决了集群整体任务完成时间过长和负载不均这两个关键问题,主要研究工作如下:（1）针对任务在各个资源节点执行时间估算问题,研究了一种基于多元线性回归分析的资源节点性能预测方法,该方法通过收集到的各资源节点处理每个任务时所使用的CPU、RAM、任务数据是否在本地等历史信息,构建回归模型,预测资源节点计算能力,得到任务执行预计所需时间。（2）任务在不同资源节点执行时间可知的基础上,设计了一种基于混合遗传-蚁群算法的资源调度策略,结合资源调度问题的特点分别对遗传算法和蚁群算法进行了改进。遗传算法阶段,采用了一种新的种群初始化方法,利用贪心算法生成一条适应度较高的染色体加入到初始种群中;引入了时间-负载双优化目标适应度函数;改进了种群变异操作,以贪心算法产生的一组染色体适应度值为基准评判种群个体优劣,针对适应度较高的优秀个体和适应度较低的较差个体采用不同的变异概率。蚁群算法阶段,改进了信息素矩阵初始化方法,利用遗传算法得到的最优解结合资源节点计算性能的评估值来初始化各个资源节点的信息素;设计了一种新的信息素更新方式,通过负载均衡指数和整体任务完成时间来更新资源节点上的信息素,使蚁群算法寻优结果更精确。（3）为了验证本文提出的资源调度算法的可行性,根据Hadoop提供的接口规范实现了一个新的资源调度器。通过与基于标准遗传算法、标准蚁群算法以及Hadoop自带的Fair资源调度算法从算法迭代次数、作业完成时间以及集群负载均衡情况这三个方面分别进行对比实验,证明了本文所提出的基于混合遗传-蚁群资源调度算法的优越性。