目前,不论是个人还是企业都将数据存储方式从物理存储转向云存储,这源于工业界和学术界在云计算技术领域的共同努力。云计算的高速发展使得Web服务的数量呈指数级式增长,Web服务的筛选愈发复杂,服务质量（Quality of Service,QoS）是甄别Web服务的重要手段,但QoS数据在实际场景中非常稀疏,用户自己观察到的QoS数量有限,因此设计一种QoS预测方法既有利于云服务商节省成本,又能提高用户体验。已有的预测算法有协同过滤、矩阵分解等,没有利用用户和服务间隐藏的图结构信息,导致预测准确率有限。本文挖掘了用户和服务间的非欧结构,基于图神经网络和多任务学习提出两种不同应用场景下的QoS预测算法。对于静态QoS预测问题,本文提出基于图卷积的多任务QoS预测算法GCNM,通过图卷积网络传递用户和服务图结构中节点的信息,学习用户和服务的交互特征信息,并通过共享浅层参数方式探索两个子任务的关联信息,使得训练的模型在一次计算中可以预测两种属性的QoS,提高预测工作效率。经过大量对比实验和消融实验以及特殊参数分析,GCN-M可以有效提高预测准确度,在响应时间（RT）和吞吐量（TP）两个子任务上绝对值误差（MAE）平均提升13.08%左右,而均方根误差（RMSE）提升效果平均在5.74%左右。对于动态QoS预测问题,本文提出时间感知的图注意力多任务QoS预测算法T-GAT-M,通过GAT图神经网络赋予用户和服务的二部图中不同节点权重,使得用户可以发掘到更适合自己的服务,并结合GRU学习时间域上的相关特征,控制哪些特征信息可以输入到下一层网络,通过大量对比实验及参数分析,T-GAT-M比传统时序服务质量预测算法准确率更高,在两个子任务上MAE比其他模型平均提高17.08%,而RMSE提升效果平均为13.58%。