数据流编程语言简化了相关领域的编程,很好地把任务计算和数据通信分开,从而使应用程序分别在任务级和数据级均具有可并行性。在多GPU和多CPU的混合架构系统平台上,任务计算与数据通信的复杂性是影响数据流程序执行效率的一个重要因素,如何在混合架构下进行高效的任务划分与调度是近年来并行计算领域的研究问题。针对GPU/CPU混合架构系统结构中存在的大量数据并行、任务并行以及流水线并行等问题,提出并实现了面向GPU/CPU混合架构的数据流程序任务划分方法和多粒度调度策略,包括任务的分类处理、GPU端任务的水平分裂和CPU端离散任务的均衡化,构造了软件流水调度,经过编译优化生成OpenCL的目标代码。任务的分类处理根据数据流程序各个任务的计算特点以及任务之间的数据通信量大小,将各个任务分配到合适的计算平台上;GPU端任务的水平分裂利用GPU端任务的并行性将其均衡分裂到各个GPU,以避免GPU间高额的通信开销影响应用程序整体的执行性能;CPU端离散任务的均衡化通过选择合适CPU核,将CPU端各任务均衡分配给各CPU核,以保证负载均衡并提高各CPU核的利用率。编译优化包括存储访问优化和目标代码优化两部分内容,存储访问优化采用多种数据存储结构和多种访问类型的方法,以提高内存的访问效率;目标代码优化通过生成目标模板类和压缩目标结点的个数,降低目标代码的冗余量。实验以三块NVIDIA Tesla C2050、两块四核CPU作为混合架构系统平台,选取9个多媒体领域的经典算法作为测试程序,对数据流程序任务划分方法以及优化方法进行实验分析。实验结果表明,各划分方法分别在CPU与GPU平台上提高了应用程序的执行性能,优化方法提高了数据的访问效率并降低了目标代码的冗余量,验证了各划分方法和优化方法的有效性。