RDF已被广泛的用于表示Web上的信息,而SPARQL则是用于操作RDF数据的标准查询语言。一个SPARQL查询中通常存在许多JOIN操作,这是SPARQL查询处理效率的瓶颈。此外,真实的RDF数据集经常显示出强大的数据稀疏特性,但是数据本身的特性在数据存储层面经常被忽略。而且,关于RDF数据在GPU平台上的查询处理也是目前被认为是提高查询效率的一个重要途径。在本文中,我们基于GPU以及RDF数据的本身稀疏特性来高效处理RDF数据的SPARQL查询处理以及优化。首先,我们提出了一种基于稀疏矩阵的RDF图数据存储模式,该模式在存储上引入基于谓词的哈希索引,通过仅存储有效边来提高RDF数据集的存储效率。其次,我们提出了一种基于稀疏矩阵的SPARQL查询优化方法并设计了一个查询计划生成算法,该方法充分考虑了JOIN操作的查询代价优化和RDF图数据的稀疏特性,通过累加整个SPARQL查询过程中可能产生的所有中间结果来分析总体的查询代价。第三,我们在GPU上开发了一个可扩展的基于稀疏矩阵的SPARQL查询中的核心JOIN算法,用于并行化加速SPARQL查询处理的查询效率。最后,为了说明JOIN算法在GPU上的查询加速性能,我们在CPU环境下实现该JOIN算法作为一个比较基准来验证该算法在GPU上加速的性能效果。实验结果表明,在基准RDF图数据集上,我们的方法与现有RDF引擎的方法相比,更能显著提高SPARQL查询处理效率并且具有高可拓展性。而且该JOIN算法在GPU平台相比CPU的加速比达到7倍左右。综上所述,我们专注于RDF数据的稀疏特性构建RDF数据的高效存储模式。在查询处理方面,我们将传统的关系型JOIN操作转化为了可供GPU平台并行计算的矩阵运算,这为RDF数据的高效查询引入了一个新的解决方案。