近年来，基于异构加速器的平台一直是学术界和工业界研究的热点，其中以GPU异构平台的应用最为广泛，这些平台中包含了多核CPU、甚至有多个GPU。在这类异构平台上编程，平台的分离存储特性、分立ISA特性和GPU内部的复杂结构，导致程序员面临可编程性的挑战。分离存储造成的数据移动往往成为影响性能的瓶颈所在。现有的编程模型在这方面并没有给出成熟的解决方案。　　 本文对于OpenMP的for并行结构，提出支持GPU异构平台上静态任务划分的语言扩展。我们完成了对应的OpenMP编译器的实现，它可将经扩展后OpenMP语言按照一定的分割因子、分块因子翻译为CUDA代码，表达出以分割因子作为计算划分比例，以分块因子作为基本任务粒度尺寸，所有计算资源的协同并行的计算模式。实现GPU异构平台上静态的计算分割与分块。针对数据移动的优化，本文研究了一系列的编译支撑技术和机器学习方法，主要包括多缓冲优化、优化的分割和分块因子的选取方法。优化分割的研究包括局部最优分割因子选取和全局优化分割策略的选择；优化分块的研究包括不考虑和考虑通信隐藏时的最优分块选取。　　 本文采用了7个典型的科学计算应用程序在多/单GPU异构平台上进行了实验。实验结果表明，经语言扩展后的OpenMP大大提高了GPU异构平台上的可编程性；优化分割因子的选取在保证负载均衡的同时，证明可以对数据的移动进行优化，有效的提高了程序性能：优化分割因子的选取在保证GPU设备利用率的同时，达到了通信与计算的最大限度重叠(多缓冲收益最大化)，也显著提高了程序性能。