大规模高性能计算程序在密集计算和海量数据处理等方面发挥重要作用,广泛应用于众多领域,如气候预测、地震模拟、药物开发、核试验模拟等。复杂的大规模高性能计算程序需要大量的计算资源。然而在实际应用中,程序的计算性能堪忧。大部分高性能计算程序的机器利用率较低,所能达到的峰值性能大多远低于机器峰值性能。性能建模是一种可以快速有效分析应用程序在给定平台上的性能的有效方法。性能模型所提供的性能信息和预测数据不仅可以帮助研究人员理解应用性能特征,还可以指导程序优化。在性能建模时,需要重点考虑一些关键问题,如合适的性能建模粒度、计算行为的全面刻画、通信性能随集群规模和应用规模的变化规律。针对这些问题,本文提出了大规模高性能计算程序的细粒度性能建模方法,创新和主要研究内容主要包括:（1）全面覆盖的计算性能建模本文提出了细粒度性能建模方法,对程序所有自定义函数建立性能模型,全面且精细地刻画了程序的计算行为,有效提高了模型准确度,且保持较低的性能测量开销。（2）函数特性感知的通信性能建模根据通信模式的不同,通信函数被分为5类。根据不同类型通信函数的性能特征,本文自动建立对应的通信函数性能模型,取得了准确的预测效果。（3）大规模高性能计算程序的自动性能建模与调优本文设计并实现了大规模高性能计算程序的自动性能建模方法。该方法可以自动地性能数据采集,性能分析和建模。除此之外,本文提出了模型驱动的进程排布优化算法,在进程布局筛选去重后,通过性能模型分析,在每种进程布局下搜索最优进程分配。本文将性能建模方法应用在基准测试程序NPB和不同规模的实际应用程序上。实验结果表明,性能模型最大误差低于20%,平均相对误差低于10%,开销低于15%。相较于对比对象,本文的方法预测效果更稳定,开销更低。