云平台因其成本低廉、服务资源数量丰富、计算和存储能力强大等特点受到了互联网行业的广泛关注。然而,随着云平台的用户数量持续增加,云任务数据规模庞大且类型多源,与此同时由于物理资源及虚拟资源异构性较高,平台内缺乏对任务数据的实时分析方法,使得部署资源无法及时且合理地适应任务的变化趋势,从而导致资源的短缺或浪费,影响了云平台的服务性能。因此如何依赖有效的任务数据分析手段实现平台内资源的充分利用及合理配置是保证供应商与用户经济收益的关键问题之一。论文围绕云平台中的资源配置问题,以基于聚类的数据分析方法为关键技术,提出一种面向云平台资源优化配置的自适应决策聚类方法。论文主要研究内容及研究成果如下:（1）提出了基于子空间划分的数据重叠决策方法。在用户任务与资源分配过程中,针对任务数据规模较大且维数较高的问题,利用K近邻方法突出非线性数据结构的局部信息,降低全局信息搜索的复杂度。采用重叠概率模型为子空间内数据的重叠部分提供决策,将数据样本自适应地划分到相应的类别中,提高聚类准确率。实验结果表明该方法获得了较为准确的子空间划分结果并适合于实际应用。（2）设计了基于距离决策的数据聚类集成方法。单一的聚类方法对初始聚类中心敏感,无法较好地适应种类繁多的云用户任务,直接影响任务与资源的优化分配。为了提高聚类准确性、稳定性,利用模糊C均值算法作为基聚类输入,联合多个模糊聚类结果建立累积距离矩阵并将其引入密度峰值算法中进行聚类集成,该聚类集成优化方法能够有效解决聚类结果不稳定的问题。（3）研究了基于不确定熵决策的自适应集成方法。现有面向资源优化配置的聚类方法不能自适应确定类别个数,并且对任务数据的聚类结果不准确。针对此问题,从若干基聚类成员中选取稳定性和质量较高的成员作为集成输入。基于信息熵准则计算聚类成员中类簇的不确定性并建立共联矩阵,将矩阵引入密度峰值算法中从而获取最终聚类结果。该方法建立的决策聚类模型更为准确可靠,能进一步提高聚类性能。（4）研究了云平台下基于任务聚类的弹性资源配置与优化调度方法。针对云任务与资源的匹配合理性较差的问题,利用提出的聚类方法对云任务数据进行分析,为系统的资源配置和任务调度提供决策。对于划分的每个类簇,利用基于时间序列的方法预测下一时刻到达的任务量,为后续资源配置提供决策。然后,设计了一种节省系统能耗的资源供应方法,动态地为每个类别中的任务提供资源,以实现系统内资源的优化配置。该论文有图29幅,表25个,参考文献164篇。