计算流体力学（Computational Fluid dynamics,CFD）作为一种研究流体流动的工具,它使用计算机和数值模型来模拟流体流动及其热力学特性。多年以来,CFD的开发和应用在流体力学的各个方面都有了相当大的增长。尽管求解Navier-Stokes方程一直被当作传统的CFD方法,但是由于格子玻尔兹曼方法（Lattice Boltzmann Method,LBM）的一些优点,包括微观相互作用的物理表示、多相流的统一算法,易于处理复杂边界以及很好的并行性,LBM成为一种较新的CFD算法,并逐渐成为CFD研究的热点之一。作为格子玻尔兹曼法（LBM）的改进,正则化格子玻尔兹曼法（Regularized Lattice Boltzmann Method,RLBM）具有高雷诺下数值稳定的优点,已被应用于模拟流体流动。在模拟流体流动的时候,由于对计算精度的高要求和流场本身规模较大的情况,这会增加RLBM演化的时间,最终降低RLBM计算的性能。现有的研究主要集中在RLBM串行计算和在CPU上实现并行,通过分析这些研究,发现RLBM的并行潜能还有待进一步的优化提升,因此需要设计能够充分发挥RLBM并行性能的实现方法。由于GPU的普及和多节点集群的发展,为异构并行计算提供了可行的实现方案。本文以RLBM为研究对象,针对RLBM具有良好的并行性的特点,在异构平台上实现了RLBM的并行计算,论文的主要研究内容和成果如下:（1）基于CPU/GPU异构平台实现RLBM的并行算法。本文提出的异构平台的RLBM并行算法,根据CUDA内核启动后,程序的控制权马上返回给CPU的特点,将整个流场按照给出的负载平衡规则划分成CPU计算区域和GPU计算区域。在CPU上使用Open MP进行并行计算,在GPU上使用CUDA进行并行计算。由于内核函数的启动时间很短,CPU和GPU可以近似认为是同时进行计算。基于异构平台的协同计算充分利用了平台的计算资源。由于CPU和GPU之间的数据交换对性能有明显的影响,因此引入缓冲区的概念,以降低数据交换的频率,有效的提高了RLBM的并行性能。实验结果表明该算法的MFLUPS性能是CPU的25倍,与纯GPU的MFLUPS性能相比增加一个CPU的MFLUPS性能。该算法的多GPU版本结果也有不错的性能表现,多GPU版本的MFLUPS是单GPU的1.8倍。（2）提出了基于MPI跨节点的RLBM的并行算法。本文为了模拟高雷诺数下的湍流,研究了带有大涡模拟（Large Eddy Simulation,LES）的RLBM,并提出了基于MPI跨节点的并行算法。该并行算法包括笛卡尔网格生成、域分解方法（DDM）以及数据交换策略。本文详细介绍了三种实现负载平衡的DDM,并对其性能进行了比较。计算节点间的数据交换通过MPI实现。实验结果表明,使用3D DDM的RLBM并行算法在2000内核的实验平台上可以达到90%的理想值的加速效果,而在数十万内核的实验平台上依然可以实现70%的加速效果。