随着农业信息化技术的发展,农业数据呈现出规模巨大、类型多样、价值密度低、复杂度高、区域性等特点。因此,对农业大数据的存储能力和计算能力要求越来越高。将云计算技术应用到农业信息服务中,为农业信息服务提供更好的存储能力、计算能力和共享信息能力,是对农业信息化技术的极大促进。其中,云平台的资源管理是提高资源利用率的重要环节,是实现农业信息云的关键技术。但是,由于软硬件故障、作业调度资源不足和节点失效等原因,导致作业无法成功运行,从而造成运行时间延长和资源浪费等现象。如何预测作业的终止状态并采取相应的调度措施,是云资源管理优化迫切需要解决的问题。本文在对云平台作业失败因素统计分析的基础上,针对云平台复杂负载难以准确地定义特征的问题,提出了基于深度自动编码网络模型;利用任务间的结构化关系,提出了基于多任务学习的模型的预测方法。主要工作和贡献如下:(1)提出了农业信息化云服务平台的资源管理框架。通过云资源管理中任务管理器对农业信息化云平台中作业的任务进行预测,对于预测将会失败的任务,采取相应的调度策略,避免资源浪费。(2)针对复杂的负载数据难以准确定义特征的问题,提出了基于深度自动编码极限学习机模型的失败作业预测方法,对长任务的资源消耗原始动态序列进行特征的自动提取。实验结果表明,预测的精确度达到98%,精度和时间性能均优于其它预测方法。(3)利用作业执行过程中,同一作业下各任务的相关性,提出了基于多任务学习模型的失败作业预测方法,以提高预测的泛化性能,并且达到97.3%的精确度。论文提出失败作业预测方法,有效地提高了农业信息云平台中的资源利用效率,缩短作业的运行时间,具有重要的工程意义。