近年来,众核处理器(Many Ingerated Cores,MIC)越来越多地为人们所关注,众核架构已经成为许多超算的首选。目前,科学与工程应用最广泛的是有限差分计算、稀疏矩阵乘、线性方程组迭代求解等算法,其多为访存密集型计算,而新一代MIC处理器Knight Landing(KNL)在处理这类访存密集型算法时有不错的效果。本文将在众核架构上对上述的并行算法进行设计与优化,从以下几个方面进行研究:第一、稀疏矩阵向量乘算法的设计与优化。稀疏矩阵向量乘算法(SpMV)是求解大规模线性方程组常用的算法,优化SpMV的关键是压缩稀疏矩阵。一方面,MIC相比CPU有更多的向量位(512位SIMD),在MIC上采用传统CPU的压缩方法会导致SIMD利用率低的问题。另一方面,GPU和MIC存在架构差异,如果采用GPU上的压缩方法虽然可以解决SIMD利用率低的问题,但会产生核心负载不均衡的新问题。本文设计一种有效解决上述问题的新压缩算法,同时对该算法使用AVX512指令集掩码优化,获得了30%左右的性能提升。第二、模板算法的设计与优化,主要从两方面研究。模板算法(Stencil)是求解有限差分的常见算法,兼具访存密集与缓存延迟的特点。针对Stencil的一级缓存利用率低,时间局部性差的问题,本文设计一种正反向更新算法用于提升Stencil计算的缓存利用率。此外,针对Stencil算法访存密集的特点,研究不同的多通道内存(MCDRAM)模式和缓存集群(cluster)模式对计算性能的影响,设计一种MCDRAM和DDR并发存储的方法用于解决MCDRAM访存延迟问题。第三、BP神经网络的设计与优化。BP神经网络是采用反向误差传播(Back Propagation,BP)算法的人工神经网络,对于处理器的浮点计算能力要求比较高。本文对BP神经网络进行了向量化扩展,并使用寄存器分块和缓存分块方法进行优化。实验结果表明在KNL上最快能达到220img/s的处理速度,其加速比达到了13.2,为GPU的2.9倍,KNC的2.28倍。本文面向高性能计算中科学与工程应用常见算法,分析了稀疏矩阵向量乘、有限差分模板计算以及BP神经网络算法的特点,在众核MIC处理器上开展了基于众核架构的算法设计与优化研究,并取得了较好的加速效果。