线程级推测（Thread-Level Speculation,TLS）允许存在大量数据依赖的程序通过预先预测依赖值的方式激进地并行执行程序,获得并行收益。作为推测执行的核心部分,执行模型的高效设计对程序加速比性能的提升至关重要。然而,现存的TLS执行模型误推测率高,并行度低,同时执行过程中会引入过多开销,抵消掉并行性能。为解决上述问题,本文从程序特征分析与提取、串行程序自动推测并行转化和推测执行模型设计三个方面展开研究。本文的主要工作总结如下:（1）提出一种静态和动态技术相结合的程序特征分析方法。程序由于内部依赖关系使得推测并行化变得尤为困难,准确地分析和提取程序特征对指导线程划分、线程调度乃至推测并行版本代码生成有着至关重要的作用。为此,本文基于LLVM编译器,使用静态剖析技术剖析基本块的行为特征,分析基本块之间的控制关系和调用关系,构建控制流图和调用关系图,计算基本块频率和分支概率,通过插桩运行的动态剖析技术获取程序运行时的平均迭代数、调用次数和运行指令数信息,获取程序运行时动态信息,为程序自动推测并行提供了分析依据。（2）提出一种基于LLVM编译器的串行程序自动推测并行转化方法。传统方法在程序自动推测并行时需要编程人员手工将推测语句插入到串行程序中,对编程人员要求较高,会花费大量的时间和精力。为克服这一弊端,本文在程序特征分析与提取的基础之上,通过扩充LLVM的指令库和函数库,以支持推测并行。使用LLVM编译器的前端工具Clang完成串行程序到串行中间语言（Intermediate Representation,IR）的转化任务,利用自定义推测并行转化pass实现串行版本IR到推测并行版本IR的转化,为串行程序推测并行提供了理论基础。（3）设计了一种基于LLVM编译器的纯软件的推测执行模型。目前的推测执行模型存在高误推测率,开销较大,结合最后使用值和步长预测两种预测方法,本文使用混合的值预测方法进一步提高值预测的精度,降低推测并行的回滚率。设计自适应的Fork模型,根据程序特征和使用代价收益评估策略妥善划分线程任务,充分提取程序性,激发并行潜力。采用高效的内存管理策略,将推测线程状态与非推测线程状态分别存储,加速推测线程和主线程之间的通信过程,减少空间开销加速验证过程,为线程级推测机制设计了有效执行模型。本文基于LLVM编译框架实现了推测多线程执行模型,采用8核处理器的ubuntu系统。实验使用计算密集型和内存密集型共6个程序进行测试,实验结果显示该执行模型能够取得最大为3.76倍的加速比,平均加速比为2.59倍,相比现有的TLS执行模型,取得了平均9%的加速比提升率,同时非推测线程的平均执行效率为94.63%,相比传统的Fork模型,自适应的Fork模型能够带来平均4%的性能提升。实验结果表明基于LLVM的推测执行模型能够充分挖掘程序并行性,有效提高程序的加速比性能。