随着计算机网络的迅速发展,互联网应用的日益普及,服务组合技术得到了越来越广泛的应用。在面向服务计算和云计算环境中,新型的复杂应用对服务组合技术提出了更高更精细的要求,如何在动态分布式环境下对服务实例进行可信评估,使得选择期望最优的服务执行路径已成为了服务组合领域中新研究热点,也是整个服务组合领域亟待解决的关键问题之一。目前服务组合领域主要存在的问题包括：(1)在动态分布式环境下,由于节点和服务实例的不确定性、恶意性,且通信开销受限,难以实时准确地对服务实例的可信度进行评估；(2)在选择最优服务组合路径时,如何利用服务实例可信度,使得在实际执行时得到最优服务组合路径可以获得期望最优的效果；(3)目前大多数的服务组合调度算法未深入考虑路径的快速恢复问题,在按照最优路径执行发生故障时,难以获取当前的剩余最优路径。(4)在动态分布式环境下,含复杂结构活动的流程执行困难的问题。针对上述问题,本论文的主要研究工作和创新点如下：1、基于Dempster-Shafer理论和Pignistic概率转换理论,提出了服务实例的可信评估模型。针对动态分布式环境下,难以实时准确地评估服务实例可信度问题,本文基于Dempster-Shafer理论,提出了服务实例的可信评估模型。该模型先计算前一级服务实例对后一级服务实例的直接可信度,然后根据Shapley熵做权值来进行Dempster规则合成,最后再利用Pignistic概率转换理论对不确定区间进一步细分进行可靠评估,得出较为准确的服务实例可信度。实验结果分析表明该模型在动态环境下,服务实例可信度评估模型是有效的,得到的可信度评估值准确率在90%以上2、基于服务实例的可信评估和Q学习,提出了可信的服务组合调度方法。针对在动态分布式环境下,目前大多数服务组合调度算法计算出的最优服务组合路径,在执行时难以获得实际最优效果的问题。本文基于服务实例的可信评估模型,提出了一种基于可信评估的服务组合调度算法,该算法计算各条备选路径的期望聚合属性累加和,然后选择具有最小期望聚合属性累加和的组合路径作为最优路径。针对动态分布式环境下,难以准确对系统进行建模,从而影响最优路径计算的问题,本文提出了一种基于Q学习的服务组合调度算法,该算法仅通过对组合环境进行简单的建模,得到粗略的Q初始值,然后通过反馈学习,不断迭代Q值,从而获得较为准确的组合策略。通过实验结果分析,表明上述两种算法在动态分布式环境下,其组合成功率和综合QoS性能均得到了有效地提升,其中基于可信评估的服务组合调度算法对比传统服务组合算法,综合QoS性能提升15.2%,组合成功率提升22%。3、提出了支持动态局部优化的可信服务组合方法针对在按照最优路径执行发生故障时,难以获取当前的剩余最优路径问题,本文提出了一种基于局部状态逆向扩散的服务组合算法,该算法利用决策图优化的思想,通过周期性从后向前逐级汇报自身QoS状态,逐级计算当前最优和次优路径进行部署,在实际执行时,若最优路径上某一服务实例发生故障时,能够直接选择次优路径作为当前最优路径,保证业务执行的快速恢复。针对在分布式环境下,分支汇聚流程各分支难以汇聚到同一执行节点问题,本文提出了一种基于公共节点决策的分支汇聚算法,使得分支汇聚流程能够顺利被执行。通过仿真和实际实验验证了上述算法的有效性,各算法均能保证当前剩余最优和局部最优的要求。上述方法已部分应用于开发“业务运行协同平台”,该平台为国家863项目课题“新一代业务运行管控协同支撑环境的开发”和“分布式宽带业务制作协同环境的开发”提供了关键支撑。