粗粒度可重构系统(CGRA)指重构粒度为8 bit以上的可重构计算系统,它兼具通用处理器(GPP)的灵活性和专用集成电路(ASIC)的高效性,是解决当今高密度计算领域“通信墙”、“功耗墙”等诸多难题的最佳途径之一。本文对决定CGRA实用性及降低应用开发难度至关重要的的任务编译器相关核心算法、编译流程及软件实现等方面进行了较为深入的研究。　　 首先,针对给定的Remus和RemusⅡ两种粗粒度可重构架构,设计了基于SUIF和MachSUIF框架的完整任务编译流程。所设计的任务编译器可自动提取C语言描述中的可并行部分,将其转化为数据流图(DFG)的形式并由任务编译器后端引擎自动映射为可在可重构阵列上运行的配置流信息。以上述任务编译流程为基础,分别针对Remus和RemusⅡ设计了任务编译器套件并进行了验证。　　 其次,给出了用于粗粒度可重构架构的优化时域划分算法。以将规模超出可重构阵列容量的DFG划分为一系列小规模的子图依次放到可重构阵列上执行。经过对粗粒度可重构架构(包括Remus和RemusⅡ)的分析,发现配置过程和运算过程中子图之间交互中间数据耗费了大量的时间,会严重影响粗粒度可重构系统的计算效率。本文给出了一种基于多目标遗传算法的优化时域划分算法,仿真研究证明该算法可以降低运行的时间延迟5％-27%,通信量方面除个别案例外可降低15%-31%,大多数测试的面积利用率都得到了较大程度的改善,这些都优于传统的时域划分算法。　　 再次,针对具有复杂异构结构的RemusⅡ处理器,对一种基于模板的新的任务编译流程进行了探索,给出了模板提取的算法、模板的快速检索算法以及模板库的初步设计方案。基于模板的任务编译流程可针对特定结构形成高效率的时域划分方案,并得到高效率的任务编译结果。本文对基于模板的任务编译方法的可行性及可能编译流程进行了探索性研究。　　 最后,基于对已有粗粒度可重构架构执行效率的剖析,指出了当前困扰高密度计算领域发展的相关问题,在对已有经验教训进行总结的基础上对相关问题的可能解决方案进行了探讨,对相关发展前景进行了展望。