随着云计算技术的飞速发展,传统IT架构模式逐渐被替代。云计算利用虚拟化技术将许多同构或异构的物理资源组成虚拟资源池提供给用户,用户按照自身需求通过Internet获取所需资源。目前云用户数量以及云用户需求急剧增加,云数据中心规模也不断扩大。如何在动态异构的云环境下合理的调度资源,提升云平台的性能,保障用户需求,是现今云计算领域亟待解决的问题之一。针对上述问题,本文在深入学习虚拟化技术和现有云计算资源调度算法的基础上,以负载均衡、提升资源利用率和减少能耗为出发点,立足IaaS云平台OpenStack,对虚拟机资源调度方案进行深入研究。论文主要工作和创新点如下:（1）针对资源调度方案设计不当导致的物理主机资源浪费、物理机之间负载不均衡和云平台能耗增加问题,分别构建了以负载均衡、提升资源利用率、降低云平台能耗为优化目标的模型,并以三种模型设计了评价函数;（2）提出了一种基于遗传和量子粒子群融合算法（Hybrid Genetic Algorithm And Quantum Particle Swarm Optimization,HGQP）的虚拟机调度策略。利用遗传思想搜索范围大,全局搜索能力优和量子粒子群优化算法收敛速度快、局部搜索能力优的优势,通过算法串行式融合,将迭代次数一分为二,前半部分迭代使用遗传算法,达到迭代次数的1/2后采用量子粒子群算法,加速搜索出了虚拟机到物理主机映射的最优解,得到了最优的资源调度方案;（3）针对量子粒子群优化算法易陷入局部较优、迭代后期收敛慢的缺陷,引入自适应方法,利用粒子适应度值改进了算法中唯一控制参数收缩扩张系数。引入精英策略,在计算平均值时引入权重因子改进了算法的平均最优位置;（4）基于云计算资源调度模拟环境Cloudsim对HGQP算法进行了对比实验。实验表明,本文提出的遗传量子粒子融合算法和传统的单一启发式算法遗传算法、粒子群算法和最小剩余算法相比,任务处理时间较短、CPU利用率较优、能耗较低,验证了算法的有效性和合理性;（5）基于开源的云计算管理平台项目Openstack实现了基于HGQP资源调度方案的云计算资源调度平台,对资源管理模块、资源监控模块和资源调度模块进行了设计。功能测试结果表明,此平台实现了对底层虚拟资源和物理资源的统一管理、监控和调配,可以为业务和应用提供自动化和整体化的运维手段。