随着通用计算譬如3D图像处理、视频处理等对GPU的性能要求越来越高,异构设备得到了快速的发展,异构平台下的传统编程模型存在可移植性差和兼容性低的问题。为此,苹果公司开发了旨在面向异构计算平台的框架OpenCL。OpenCL编程模型虽能在一定程度上降低程序设计的难度,但在编写高性能的通用计算程序时仍需考虑如何利用优化方法使其获得更短的执行时间和更高的加速比。为了提高OpenCL代码的执行效率,目前学术界和工业界提出了利用机器学习进行kernel参数自调优和启发式程序优化等解决方法。但是目前的方法存在人工干预多、LSTM不适合处理非欧几里德结构数据的问题。因此本文提出了一种基于图网络的OpenCL启发式程序优化方案,通过完成异构设备的最佳映射和预测最佳线程粗化因子两个任务来达到减少程序执行时间和提高程序加速比的目的。本文的研究工作主要包含三个方面:(1)针对目前编码方式仅考虑代码浅层的顺序文本结构信息问题,研究并设计一种基于LLVM的OpenCL源代码构图方法。在预处理阶段简化代码、去除冗余信息后,从获取到的抽象语法树上构建了七条边,旨在尽可能多地概括源代码的语法和语义信息。七条边共分为抽象语法树边、语法信息边和语义信息边三类。(2)针对LSTM不适合处理非欧几里德结构数据的问题,研究并设计一种基于图网络的启发式优化方法。通过word2vec去学习token的上下文关系及类型信息,归一化去缩放工作项等辅助输入,基于RGCN和GNN提出了基于边类型的图神经网络RGNN,通过RGNN去完成代码特征的自动提取,进而完成异构并行映射任务。(3)针对OpenCL粗化后的数据集难以获取、人工干预多的问题,研究并设计一种基于迁移学习的启发式优化方法。去除冗余信息后生成了大量的OpenCL代码作为训练集,对异构并行映射任务中学习到的模型进行迁移学习,在保留了源码构图和图神经网络层的同时实现了任务的迁移,在多个平台下完成了线程粗化因子预测任务。实验结果表明,在异构并行映射任务中,本文的优化方法最佳情况下能够达到88.50%的识别率,相较于最先进的方法,提高了20.8%的性能。在线程粗化任务中,最佳情况下能够达到1.14倍的加速比,相较于最先进的方法,提高了10.6%的性能。