Spark作为基于DAG的分布式计算框架广泛应用于电商、物联网、数据分析等复杂大数据处理,其中Task调度是影响大数据分析性能的关键因素。随着应用程序的扩大和数据量快速增长,依靠单个数据中心无法满足海量数据的存储和处理。此外,数据中心内部随着高性能机器的引入,原有的数据中心已经变成由异构节点组成。因此,研究异构Spark集群下的Task调度具有现实意义。本文考虑基于异构Spark集群下的Task调度问题,以最小化最大完工时间为优化目标。首先提出改进后的系统架构,然后,针对具有DAG偏序关系Job和Stage以及同一Stage中并行Task之间的问题特点和特征建立数学模型,并且以最小化最大完工时间为优化目标。最后提出基于异构Spark集群下的Task调度算法(STSA),该算法主要由以下四个部分组成:临时参数估计、Job序列动态调整、Stage调度、Task调度。在评估参数过程中通过前向递归计算和后向递归计算评估Job和Stage的相关临时参数。根据临时参数,提出两种Job排序规则,并基于三种Job排序规则来动态调整Job的序列。在Stage调度过程中提出了两种Stage权重设置规则,并根据Stage权重公平分配数据中心的计算资源。通过建立Max-Min双重堆为Task选择合适的Core运行,将Task调度后获得的调度系列作为Task初始序列,采用插入变邻域搜索方法对Task初始序列进一步优化。为了验证算法的有效性,采用多因素方差分析技术对算法所涉及到参数进行校正和分析。通过在不同应用程序规模和数据中心个数下将提出的算法和已有的算法进行比较分析。实验结果表明,所提出来的算法优于已有FIFO和FAIR调度算法。