近年来,在软件算法和硬件设备的支持下,深度学习发展迅速,进入到了人们的生活中,影响着社会生产的方方面面。然而,现有的软件算法对深度学习的支持仍有不足之处。通用矩阵乘法（GEneral Matrix Multiplication,即GEMM）例程作为深度学习最常用的例程,在深度卷积神经网络中存在对硬件设备的计算资源利用不足的情况,原因主要有:深度卷积神经网络中涉及到的GEMM的矩阵维度一般较小且不同,从而无法充分利用GPU的并行性;针对不同架构GPU的GEMM运算优化场景覆盖面不全。本文针对GEMM在深度卷积神经网络中的应用场景,设计并实现批量GEMM运算框架,该框架能够根据不同架构的GPU进行自适应动态调整优化,有效地提高了计算资源利用率。研究内容具体如下:（1）基于AMD的Radeon开源开放计算平台（ROCm）和异构计算思想,利用C++和异构计算可移植接口（HIP）分别实现基于CPU的Le Net和基于GPU的Le Net,通过研究基于GPU的GEMM在Le Net中的实现原理和处理过程,结合对Goog Le Net的Inception结构的分析,得到基于GPU针对维度不同的批量GEMM的优化能有效提高深度卷积神经网络的运算效率的结论。（2）MAGMA加速库中的vbatch例程针对维度不同的批量GEMM运算进行了优化,对其中的方法和原理进行研究,针对vbatch例程软件约束的不足之处,提出基于Kernel Occupancy的内核函数实例选择方案并应用其中对vbatch例程进行优化。（3）基于MAGMA vbatch例程的原理,针对vbatch例程分片策略的不足之处,重新设计一套分片策略,并利用HIP实现一个框架来处理批量GEMM中所有的计算,该框架通过基于Kernel Occupancy的内核函数实例选择方案对不同的GPU架构进行自适应动态调整优化。选取Goog Le Net作为深度学习领域的样例,利用ROCm平台下的MIOpen实现Goog Le Net,然后分别将vbatch例程和该框架集成到Goog Le Net中,替换原本的批量GEMM运算部分,对比vbatch例程,该框架在模型训练上达到了2.39倍的加速效果,从而验证本文提出的优化方案的有效性和可行性。