人工智能技术的快速发展,对我国经济向高端制造业和高科技领域转型起到了重大推动作用。然而,诸如卷积神经网络（Convolutional Neural Networks,CNN）等人工智能领域典型算法越来越呈现出计算密集性和访存密集性等高密集特性,给计算芯片处理能力带来巨大挑战。可重构结构同时具有通用处理器的高灵活性和专用硬件的高能效,成为应对高密集型应用处理的有效手段。但是,可重构处理器目前仍然面临编程难度大、可重构结构优势难以充分发挥等“编程墙”问题。因此,本文基于可重构结构下CNN算法的行为分析,提出一种面向可重构结构的领域专用高效编译优化方法。（1）为挖掘CNN算法中的并行信息,深入分析基于可重构结构的CNN算法行为模式。首先,使用底层虚拟机（Low Level Virtual Machine,LLVM）编译工具分析CNN算法结构信息。然后,借助算法结构信息,构建多面体模型来描述CNN算法的软件特征。最后,结合可重构结构硬件特性,构建可重构结构下CNN算法的特征向量。实验结果表明,基于4和16个处理单元（Processing Element,PE）的阵列,依据行为分析获取特征划分的CNN算法能达到传统划分加速比的99.31%和99.61%,基于CNN算法的行为模式分析可以有效挖掘其并行信息。（2）针对可重构结构下线程划分方法需要利用专家经验,且划分策略处理单一的问题,提出一种基于并行知识的线程划分方法。首先,使用可重构结构下CNN算法的特征向量,针对专家调优划分的最优程序构建程序样本集。然后,通过支持向量机学习其中蕴含的并行知识,包括程序能否并行、最大支持划分的PE数目、最大划分数目下PE的映射范围等。最后,利用并行知识指导可重构结构下CNN算法的并行划分。实验结果表明,采用4和16个PE,使用基于并行知识的线程划分方法,CNN算法加速比的均值分别是1.27和4.65,基于并行知识的线程划分方法能有效实现将CNN算法并行划分。（3）针对线程划分过程中未充分考虑数据局部性导致并行效率较低问题,提出一种基于模糊聚类的线程组合优化方法。首先,基于可重构结构下算法映射方案,构建组合优化性能评估函数。然后,采用k-means的聚类方法将性能评估函数作为聚类条件,将已有线程根据硬件资源进行聚类。最后,分析聚类后的线程之间的数据依赖关系,调整线程的映射范围,减少数据在PE之间的移动次数。实验结果表明,采用4和16个PE,与线程划分方法相比,线程组合优化方法加速比分别提升35.25%和35.62%,基于模糊聚类的线程组合优化方法能够提升CNN算法的并行效率。（4）针对可重构结构处理器面临编程困难问题,设计并实现一种自动化编译方法。首先,将PE按功能划分为数据提取、数据分配、数据汇总、数据处理。其中数据提取、分配和汇总由特定PE完成。通过计算模式-汇编指令组的映射规则实现数据处理。然后,分析CNN算法的计算过程,提取计算模式。最后。根据计算模式设计高效的汇编指令组,以实现自动化编译。实验结果表明,自动化编译方法能够达到人工划分下CNN算法执行时间的52.32%,自动化编译方法能实现高级语言到汇编指令的转换,降低可重构下CNN算法的编程难度。在LLVM9.0编译器和基于BEE4开发平台设计的可重构阵列处理器上,本文对提出的编译优化方法进行实现。实验结果表明,面向可重构结构的领域专用高效编译优化方法,能将高级语言转化为可重构阵列处理器支持的汇编指令,与LLVM和OpenMP并行编程工具在16个PE上处理Lnet-5网络进行比较,加速比分别提升了 2.84%和3.63%。综上,本文提出面向可重构结构的领域专用高效编译优化方法,为探索编译系统和可重构结构协同的高效能、自动化推测并行技术提供了新渠道,并为提高计算、数据密集型应用在可重构结构下的并行性能提供了新思路。