通过自动向量化编译技术自动生成向量程序,以有效地利用微处理器底层SIMD硬件提升程序的执行性能,已成为编译器研究的一个重要方向。然而,由于技术路线不同,以及各种微处理器的SIMD扩展指令集的巨大差异,自动向量化要针对具体的SIMD扩展部件改变算法、调整参数才能适配目标SIMD硬件特性。此外,在自动向量化编译的实现过程中,循环中的控制流结构、基本块中的同构语句数、打包方式的随机性等因素,也需要面向具体处理器体系结构与SIMD扩展指令集的特点开展针对性的优化研究,以充分发掘出程序中潜在的向量并行性。本文的主要工作和创新点有:（1）LLVM的自动向量化技术研究。LLVM开源编译器中已初步实现了循环级与基本块级两种方式的自动向量化方法,本文从合法性分析、向量发掘、向量代码生成三个方面分别梳理了LLVM编译器自动向量化模块中循环级与基本块级的代码实现,构建了适用于申威平台的LLVM自动向量化流程,为开展自动向量化功能模块的移植与优化奠定了基础。（2）循环级向量化的移植与优化。由于向量长度及指令集功能的差异,面向申威平台的自动向量化过程与开源LLVM存在着较多差异,本文从向量寄存器长度以及向量化信息两方面,进行面向申威平台的循环级向量化的移植工作。针对申威平台不支持掩码指令的问题,提出了一种基于控制流分析的掩码指令转换算法,TSVC标准测试集测试表明算法改进后控制流向量化识别率提升48%,平均加速比提升60%;针对控制流向量化方法的单一性问题,提出了一种利用select向量指令增强控制流向量化的phi节点优化算法,优化后TSVC测试集中的s441测试用例加速比达2.4。（3）基本块级向量化的移植与优化。LLVM中现有的基本块级向量化方法的实现不适用于申威平台,为此本文从同构语句数约束以及向量指令代价评估两方面,进行面向申威平台的基本块级向量化的移植工作。针对基本块级向量化打包同构语句的随机性导致向量代码收益不佳的问题,提出了一种基于向量指令代价评估的打包算法,算法改进后SPEC标准测试集中的453.povray测试用例加速比提升17.1%;针对LLVM中向量化发掘能力不足的问题,提出了一种结合迭代内与迭代间向量化发掘的混合优化方法,优化后典型示例程序的平均加速比达2.04。本文工作基于LLVM-7.0.0版本,已在申威1621处理器上予以实现。通过SPEC CPU2006与TSVC标准测试集的整体测试,验证了移植与优化工作的正确性。SPEC CPU2006标准测试集的定点程序平均性能提升2.7%,浮点程序平均性能提升18.2%,整体平均性能提升11.3%,矩阵乘测试用例平均加速比达7.2,验证了移植与优化工作的有效性。本文相关成果已应用于申威平台,有效地利用处理器内的向量指令实现了SIMD扩展部件的性能提升。