随着高性能计算技术的快速发展,并行编程技术在实际工程应用中占据着越来越重要的地位。尤其是在科学计算相关领域,并行化技术成为了解决程序结构复杂、计算量大、数据密集以及执行周期长等问题的关键途径。然而,现有的程序并行性分析工具在处理具备上述特征的程序时仍存在着较大的局限性,且目前的多种并行编程手段在使用时缺少统一的标准编程接口。因此,串行程序的并行化在程序的并行性识别和并行程序开发两个阶段均存在着较大的难度,研究一种在上述两个阶段均具备良好表现的串行程序并行化方法是十分必要的。本文借助深度学习技术来研究串行程序的并行化方法,重点研究了串行程序的并行性识别和并行程序开发两个方面,提出了包含数据集、并行性识别方法、标记语言和编程辅助平台的一整套解决方案,主要工作如下:（1）提出了一种基于深度学习的串行程序并行性识别方法。本文将串行程序的并行性识别视为二元分类问题,建立了一个基于深度图卷积神经网络（Deep Graph Convolutional Neural Network,DGCNN）的深度学习模型,构造了一个通用图数据集GFCPD（Graphs For Code Parallelism Discovery,程序并行性识别图数据集）。并通过模型在GFCPD数据集上的表现验证了深度学习方法在串行程序的并行性识别问题上具备可行性与有效性。站在新的角度,针对串行程序的并行性识别问题提出了新的解决方案。（2）设计并实现并行标记语言PML及编程辅助平台。本文使用XML技术实现了并行标记语言PML,为不同的并行编程模型提供了格式统一的PML标签用于结合C/C++语言进行并行程序开发,为多种并行编程手段的混合使用提供了统一的标准编程接口和更加简易便捷的途径。此外,本文搭建了一个并行编程辅助平台,从串行程序的并行性识别、并行程序开发、并行程序调试三个方面提供了完整的串行程序并行化流程,有效地降低了并行化技术的使用门槛。