大规模云服务平台是支撑大型现代服务业企业或行业运营、模式创新和业态演化的大型、复杂服务计算系统或平台。性能分析方法是影响大规模云服务平台发展的一个重要科学问题。传统的性能分析方法无法很好地解决大规模云服务平台带来的规模、架构和技术等挑战。论文围绕大规模云服务平台中的突发性负载模型、虚拟环境下细粒度的资源预测和并行处理系统性能模型三个性能分析问题开展研究工作。针对云服务平台基准程序Cloudstone,提出一种基于MAP2的突发性负载生成方法(MBWG).通过MBWG方法,性能分析员可以根据系统日志的信息直观、合理地构造突发性负载模型MAP2,并借助Faban框架产生一系列具有突发性的服务请求。论文从理论上分析了MAP2模型参数与突发性的关系。通过对比实验测量与理论模型的IDC值,证明文本方法生成的突发性负载更加接近理论模型。同时,还通过实验分析了突发性负载对系统性能的影响,特别是对虚拟机资源调度的影响。针对大规模云服务平台的虚拟化技术和负载特征模型,提出了一种细粒度的系统资源利用率预测方法。在预测资源利用率的概率密度函数时,考虑虚拟技术产生的额外资源消耗。通过分析负载对Xen虚拟机管理工具调度算法的影响,建立虚拟技术资源消耗模型。针对非饱和、半饱和和全饱和三种不同的情况,结合排队网络模型和统计学习方法提出了一种统一的非突发性负载产生的资源利用率分布模型。同时,将突发性负载产生的资源利用率分布表达为若干非突发性负载产生的资源利用率概率密度函数的线性组合。实验验证了预测模型的准确性,并解释了对资源利用率进行概率分布预测的作用。针对大规模云服务平台中的并行处理系统,提出一种高效的基于水平分解的Fork-Join排队网络(FJQN)模型近似求解方法。该方法的核心思想是将非乘积型的FJQN模型水平分解成若干乘积型的排队网络模型,解决了传统层次分解方法时间复杂度过高的问题。基于水平分解方法,本文分别为单类和多类闭合FJQN设计了相应的模型近似计算算法。实验表明,多数服务中心的响应时间和系统吞吐量90%的相对误差都在15%范围内。在云服务集成平台JTangCSB中应用验证本文提出的性能模型与预测方法。JTangCSB的组件自动安装方法通过对组件资源利用率预测和相关性的计算,实现组件的整合安装,最大限度的减小组件之间的资源竞争,优化系统性。容器智能部署方法将所有可能的部署拓扑结构映射成FJQN模型,并利用水平分解方法对模型进行快速求解,从而找出最合理的部署拓扑结构,避免大数据在广域网中的传递,降低集成流程的响应时间。通过一个集成案例,证明了上述两种方法的有效性。