本文围绕GPU高性能计算编程模型的硬件资源限制、编程模型等方面进行性能优化的研究，主要做了一下工作：介绍了GPU高性能计算的发展状况和前景以及日益广泛的应用。以应用最广泛的相关编程语言CUDA为例，对GPU的并行计算硬件、软件框架进行介绍，同时对CUDA编程模型进行详细了解，通过本章的分析介绍，对GPU的编程设计语言CUDA的线程层次设计、存储器访问策略、线程块组织分配，执行单元与CUDA程序编译过程进行深入了解。其次，针对GPU并行计算性能进行了优化方法的探究：由于调度是以warp为单位进行的，减少warp内线程执行分支；为了提高资源的利用率，增大并行规模；对数据量巨大的情况，可以进行分组处理；对于有重复性访问的数据，使用分块技术加载到共享存储区中；为了增加独立指令的条数隐藏访问延迟，进行数据预取；利用访问区域性的特点，进行读取合并尽量访问连续数据；为了减少不必要的延迟，避免bank冲突；为了降低指令开销，减少无效指令，进行循环展开和尽量使用吐吞量较高的指令等。最后，针对CUDA的部分优化方案在具体的实验运行环境中进行实现，对实现结果进行分析，并设计完成一个完整的CUDA程序，利用前文讨论的各项优化技术对该实例进行优化，并对各部优化实现结果进行分析，从而证明了前文讨论的优化技术的合理性和有效性。