异构设备的发展和应用促使相关的运行框架得到快速的发展,OpenCL作为首个跨平台的运行框架,代表了当前异构设备的发展趋势。它能够在多核的CPU、GPU等异构单元上透明运行,但因不同平台的环境差异,导致其性能优化移植性较差,从而造成程序运行效率的低下。现有的OpenCL程序优化方法采用自然语言处理技术对程序顺序关系特征进行建模优化,以提高程序的加速比,由于忽略了程序的语法语义关系,导致程序运行效率低下和加速比无法进一步提升。为了解决上述问题,本文提出了一种基于关系图网络的OpenCL程序优化方法。其核心思想是:首先将OpenCL源代码分别在抽象语法树层面以及中间指令层面进行转图操作,有效的保留代码逻辑并丰富语法语义信息,然后利用关系图网络学习代码的向量表示,最终使用决策网络进行任务预测,完成相关的优化任务。本文主要的研究工作如下:（1）本文首先从技术原理及特点上分析现有OpenCL程序优化方法的不足。研究了传统人工提取特征的不确定性,讨论了OpenCL程序当作文本处理情形下特征的非完备性,进而对本文方法的有效性开展研究以实现更高的程序运行效率。（2）本文提出了一种源代码转图方法,研究如何在抽象语法树层面进行语句级别和节点级别的边构建策略,并深入讨论如何在中间指令层面融合顺序流、控制流以及数据流信息。为了进一步保留源码级以及中间指令级的程序信息,本文使用Word2Vec技术为转图后图中的节点属性建模,分别从图结构和节点内容两个层面保存了代码的丰富信息。（3）针对具有多种关系类型的图数据,本文研究如何利用先进的关系图神经网络技术实现程序图数据的特征提取。特征提取过程无需人工干预,能够有效考虑到不同关系的类型,对边进行建模并学习出程序图特点,自动完成端到端的特征向量构建。（4）为了验证本方法的有效性,我们实现了系统框架GraphACL,并基于该框架开展了大量的对比实验。实验结果表明,在异构映射任务中,与目前最先进的方法相比较,准确率能够达到88.9%,加速比提高了7.56%。在线程粗化任务中,与目前最先进的方法相比较,加速比提高了5.25%。