近年来，GPU因其强大的并行计算能力与功耗控制能力被广泛应用于GPGPU加速。与此同时，GPGPU映射优化成为研究人员关注的热点，桌面领域的研究成果尤其显著。由于移动GPU起步较晚，映射优化研究不够深入。这体现在，移动GPGPU映射优化多采用试错方式，缺乏针对硬件的性能瓶颈分析与系统的优化方法指导;现有的移动GPGPU加速多限于算法级别的映射，缺乏系统级别的优化。这种情况下，移动GPGPU映射优化研究工作就显得尤为重要。　　本文以典型的移动GPU架构Mali系列为例，结合Mali GPU硬件特点以及OpenCL编程框架软件特点，提出基于该架构GPGPU映射优化方法。具体的，首先从渲染核心、流水线、计算单元三个层次分析Mali GPU的硬件架构，根据硬件特点提出对应的映射优化方法。接着，从平台模型、执行模型、内存模型、编程模型四个方面探讨OpenCL编程框架在Mali GPU上的实现，根据软件特点提出对应的映射优化方法。具体映射优化过程中，在算法设计阶段，尽量消除迭代间相关性保证数据并行度;在移植映射阶段，采用标量算法向量化以充分利用宽SIMD计算通道，采用地址映射代替内存拷贝以充分利用移动GPU中统一访存的优势;在深入优化阶段，结合Mali GPU硬件特点以及PMU性能剖析数据调整向量宽度、指令配比、指令类型以及局部工作组大小等代码细节以充分挖掘计算并行度，进一步提升程序性能。　　本文不仅针对Polybench与Rodnia两个通用测试集实践了该优化策略，分别取得相对于各自优化前初始版本GPGPU算法1.75倍和1.17倍的速度提升。并且通过该方法对热点算子的加速，成功地在移动GPU平台完整实现手势识别应用，相比同平台CPU版本获得了平均8倍的速度提升，在输入图像分辨率不变的情况下处理帧率达到36帧每秒。实验证明了本文提出的基于Mali GPU的移动GPGPU优化方法可适用于较广泛的算法类型，尤其在数据并行度高、迭代间相关度低的算法中可取得较大的性能提升。