近年来,互联网的快速发展使得数据的价值逐渐显现,用户也越来越重视数据的处理。虽然传统的云服务能够方便快捷的解决数据处理这一问题,但是在应用的快速发布和资源高效调配方面却不能满足用户的服务需求。伴随着容器技术的诞生,容器作为一种更优质的资源虚拟化技术被广泛使用。容器云平台具有高资源利用率,弹性伸缩等优点。容器云平台下任务调度的最终目的是按照用户的多样化服务需求对其资源进行高效合理的分配,使得任务能够有效执行。其中,在对任务进行调度时,应将重点放在保证云用户所要求的服务质量（Quality of Service,QoS）上,在降低任务完成时间的同时降低系统的负载,进而降低任务的运行成本,使得容器云平台可以实现更多用户的需求,提升用户对于所需服务的满意度。在设计任务调度模型时,针对用户满意度低下的情况,将用户需求最高的任务完成时间和任务完成成本目标考虑在内,提出并设计了基于QoS目标进行优化的容器云任务调度模型。在对用户的需求进行细化时,深入了解用户对于任务调度目标的偏好,具体化任务调度的参数,进一步提高任务调度的执行效率,最终提高用户对于任务完成的满意度。在设计任务调度算法时,粒子群算法（Particle Swarm Optimization,PSO）作为启发式的智能算法,实现简单且收敛于最优解的速度快,但极易陷入局部最优。因此本文在PSO算法上进行改进,采用种群多样性的判断标准让种群在解空间内均匀分布,动态调整惯性权重,提高算法的搜索性能,并在此基础上引入禁忌搜索算法（Tabu Search,TS）,对改进之后的粒子群算法进行优化,引导算法跳出局部最优。本文提出的PSO-TS算法,可以在全局寻优的过程中,有效解决陷入局部最优和重复搜索的问题,提高寻优的效率。最后,通过Container CloudSim容器云仿真平台,验证本文模型和算法的有效性。实验结果证明,本文提出的任务调度模型可以针对用户提出的任务调度需求,进行合理有效的调度,提高任务完成的效率,可以有效提升用户的满意度。同时将提出的PSO-TS算法通过与其他算法的实验结果作对比,从结果中可以看出,本文算法有效地降低了任务的完成时间和成本,提升了任务调度的效果。