计算流体力学（Computational Fluid Dynamics,CFD）是一门采用数值计算方法求解流体运动控制方程,以研究流体运动相关问题的交叉学科。当前,CFD已广泛应用于航天航空、汽车、船舶、能源、化工等领域。CFD的发展及其应用很大程度上得益于计算能力的提高,在高性能计算体系结构上对CFD应用程序进行并行化与性能优化有重要意义。近年来,随着图形处理器（Graphics Processing Unit,GPU）性能的快速提升,GPU被越来越多地用在高性能计算机中作为计算加速部件,CPU+GPU结构的计算机成为使用最广泛的异构并行平台。但是GPU编程的难度较大,技术尚不成熟,如何在GPU平台上实现CFD软件的高效移植与性能优化,成为高性能计算领域面临的一个重要问题。本文针对一个高阶精度CFD应用程序HNSC（High order Navier-Stokes simulator for Compressible flow）在GPU上的高效并行与优化问题开展了研究,首先基于CUDA Fortran实现了HNSC在GPU上的基础并行,然后从GPU体系结构与编程技术、应用程序的通信与模板计算等特点出发,研究了一系列性能优化技术,测试取得了良好的性能加速效果。论文主要工作如下:（1）基于CUDA Fortran,实现了HNSC面向GPU的并行移植,并利用了NVIDIA GPU上MPS（Multi-Process Service）技术和Pinned Memory,得到的基础GPU并行程序GPU＿Base在使用2块Tesla K80 GPU时,相对于运行于2个Intel Xeon E5-2660 CPU（共20核）的纯MPI并行程序取得近2倍的性能加速。（2）根据HNSC的通信特点,采用数据打包传输的方式优化MPI通信,提高了MPI通信效率,并减少CPU-GPU间的数据传输开销。测试结果表明,打包数据传输的GPU程序版本在2块K80 GPU上的执行性能相对于原来的纯MPI版本在2个Intel Xeon E5-2660 CPU上的执行性能最高有10倍的性能加速。（3）分析了HNSC中高阶精度模板计算的特点,提出两种优化GPU程序访存效率的方法。其一是使用寄存器上的洗牌函数来减少全局内存访问并提高寄存器中的数据重用性,然后调整线程计算量并压缩halo区的线程宽度,从而进一步加速寄存器上的模板计算。其二是基于共享内存上的loop tiling来加速带宽受限的核函数,实现了几种不同的核函数,对分块大小、bank访问模式以及线程计算粒度进行权衡。这两种访存优化使GPU上关键核函数最大加速分别达2.79和3.51倍,将访存优化应用于整个HNSC的高阶精度模板计算核函数后,GPU版本相对于原CPU版本性能加速比最高达12.5。