GPU作为一种新兴的体系结构在高性能计算领域中使用愈来愈广泛，其高带宽和计算吞吐量以及低功耗的特点能够提升应用程序的性能。然而，在GPU编程中，需要有效管理大量线程中内存层次和处理单元之间数据传输，使GPU数据本地化需要权衡程序性能、代码复杂度以及优化所需付出的努力。因此，其编程复杂性给开发人员带来了重大的挑战。目前计算机硬件结构和软件执行环境日新月异，硬件技术的革新很难与软件性能的提升保持同步，无法充分发挥硬件的计算能力。软件自适应技术被认为解决这一问题的有效途径。FFT是计算离散傅里叶变换(DFT)的快速算法，具有广泛的应用，常被用于数字滤波、求解偏微分方程和信号分解等。因此，优化FFT的性能在实际应用中具有十分重要的意义。　　 目前比较通用的GPU编程模型CUDA(Compute Unified Device Architecture)、OpenCL(OpenCL Computing Language)以及OpenACC只支持利用安装在本地的GPU，如果要使用远程结点上的GPU，程序员需要在不同的结点上显示的管理数据通信。当今计算机系统中每个计算结点都安装了多个GPU，因此，整个系统包含了成百上千个GPU，如何有效利用系统中计算资源变得更加复杂。　　 为此，本文基于CPU+GPU混合异构平台，研究了自适应FFT框架、集群多维FFT并行算法以及GPU虚拟化技术，具体如下:　　 基于GPU提出了一个FFT自适应性能优化框架，基于该框架实现了名为MPFFT(Massive Parallel FFT)的高性能FFT软件包。对于计算长度为2的幂多维FFT，MPFFT的性能在AMD GPU上远远优于clAmdFft，在NVIDIA GPU上与CUFFT的性能相当。此外，MPFFT也支持规模非2的幂FFT的计算。对于3维非2的幂FFT，MPFFT是FFTW在4线程时性能的1.5倍至28倍，在TeslaC2050上相较于CUFFT4.0取得了20.01倍的平均加速比。　　 研究了多维FFT在集群系统上的并行算法，基于该算法开发了名为MPFFT-MPI软件包，该软件包采用二维分解，可以在GPU集群上计算n维FFT。　　 为了管理集群系统中GPU资源，本文重新设计了VOCL(Virtual OpenCL)虚拟化解决方案，该框架主要基于OpenCL和MPI(Message Passing Interface)编程模型，由于VOCL API和ABI与OpenCL API和ABI保持一致，本地OpenCL应用程序无需更改源代码和重新编译就可以使用系统中所有远端GPU资源。VOCL除了透明使用系统中所有GPU之外，还支持动态任务迁移。