随着科学技术的快速发展,云计算技术已经广泛用于个人及商业用途。云计算是通过互联网提供按需服务的最成功的技术之一。云计算以其超大规模、虚拟化、高可靠性、通用性、高可伸缩性和按需付费等优点为客户和企业带来了极为便捷的服务。但是,随着在线社交网络、科学工作流等内容共享和协同计算服务的发展,产生了大量的数据,史无前例的数据爆炸给传统的数据存储或处理技术带来了巨大的价值和挑战。云数据中心的容量并不是无限的,不能满足高峰时段的业务需求。为了处理如此巨大的数据量,已经引入了将多个云集成在一起以协作方式提供统一服务的多云系统。本文以多云环境为研究背景,针对任务调度问题构建了多目标及高维多目标调度模型,并设计高效的高维多目标优化算法进行模型求解,本文的主要工作介绍如下:（1）针对多云环境下的任务调度问题,首先构建多云环境下多目标任务调度模型。多云环境可以将多个云供应商结合在一起,以协作的方式为客户提供统一的服务,不仅可以避免供应商的锁定问题,而且可以利用每个供应商的独特优势来满足客户的多样化需求。然而,在这样的异构多云环境中,任务调度比在单云环境中使用的任务调度更具挑战性。本文首先设计了以最大完工时间和成本为目标的调度模型,同时为了求解该模型,本文认真分析总结了经典的多目标优化算法并设计实验进行模型求解。（2）由于多目标模型仅从客户的角度出发,以时间和成本为目标来提高调度性能,不能全面描述调度问题。换句话说,这些目标不能同时满足客户和云供应商的需求。对于云供应商而言,如何降低机器能耗,提高资源利用率,减少机器负载是十分重要的服务质量指标。因此,本文致力于从高维多目标的角度解决多云环境下的任务调度问题,以缓解数据处理效率低下的问题。本章内容针对多云环境引入高维多目标建模思想,构造同时包含客户角度（时间和成本）及供应商角度（负载均衡、能耗、资源利用率、云吞吐量）的6个目标的高维多目标任务调度模型,并采用先进的高维多目标优化算法进行模型求解。（3）为了进一步提高模型求解效率,本文设计了基于临时子代的统一集成高维多目标优化算法。高维多目标优化算法的研究能为解决多数社会工程优化问题提供有效的工具和范式。然而复杂多变的优化问题对算法性能提出了挑战,如何使得算法适合求解不同类型的优化问题并提高求解效率,成为一个亟待解决的问题。由于高维多目标优化算法是基于种群的优化算法,种群的优劣直接决定了算法优化的效率,因此种群的收敛性和多样性被视为两个重要的考虑内容,除此之外,本研究考虑初始种群的随机性对算法性能的影响。因此,本文将从临时子代优化及选择算子两个方面设计高维多目标优化算法,提出基于临时子代的统一集成高维多目标优化算法。将算法与其他先进的高维多目标优化算法在DTLZ和Ma OP测试集上进行了对比实验,并采用统计学方法Wilcoxon检验进行数据分析。实验结果表明提出的算法具有最优的性能,更适合于求解高维多目标优化问题。同时将算法用于求解第三章提出的高维多目标调度模型,结果优于其它算法,进一步验证了算法的性能,并给出了最优的任务调度方案,从而提高了系统的安全性,这项工作为解决数据处理难题提供了一种新的思路。