在当今信息爆炸式增长背景下，云计算技术凭借其高性能的计算能力和海量的数据存储能力，得到了各界的广泛关注及应用。然而，随着在云计算环境中开发功能越来越多的强大应用/软件，其所对应的逻辑关系也越来越复杂，还可能受时间、代价、资源、优先级限制等因素的限制，一般的信息系统却难控制这样复杂的应用。为了解决这个难题，在云环境上部署工作流成为了新的研究热点，这样既能充分利用云计算的资源，又能通过工作流来方便灵活地构建、管理、执行及监控整个应用流程。在现有的服务编制型云工作流中，由于所有数据都得经过中央引擎来传输，所以在处理大数据时难以避免会出现带宽瓶颈问题。本文通过分析云工作流框架，针对服务编制型的工作流框架进行了优化。在工作流框架中加入了中间代理层的结构，并对工作流引擎进行了改善，通过代理来管理节点，代理与工作流引擎之间传输的是控制流信息，而底层节点之间则可以直接进行点对点数据传输，大大减少了瓶颈现象的发生。并且，改善的工作流引擎能根据任务的不同类别（类别着色）将任务分配到合适的云底层平台（如：Hadoop）或云基础处理节点来进行处理。由于MapRduce是云计算面向大数据处理的典型并行可扩展性编程模型，先选择从MapReduce工作流着手研究，提出了云环境下的MapReduce工作流调度模型。现有的由MapReduce类型任务组成的工作流，一般是将workflow任务的优先级调度与底层MapReduce调度分离开来的，这样在调度的过程中会产生很多的时间碎片，使得资源使用率不高。本文通过分析workflow、MapReduce的调度算法及HDFS，提出了一种异构环境下的优化调度算法MRWS (MapReduce-enabled Workfow Scheduler)。实验结果表名调度算法MRWS能尽可能充分地利用调度过程中产生的时间碎片，进一步提高了资源利用率及流程执行效率。