目前,国内外大多数的芯片在编译后端处理指令选择的过程中出于对稳定性、可靠性、可用性等因素的考虑,仍然沿用传统的基于宏扩展或图覆盖的算法。由于芯片计算性能的不断提升和指令集的不断扩充等因素,这些指令选择策略存在不可自动地迭代更新、不能充分利用平台指令集中高效指令的优势等不足,并不能很好地适应这种变化。实质上,指令选择拆可分为两个过程,分别是模式匹配和模式选择两个问题。对于模式匹配问题本文使用近些年比较热门的图神经网络模型来解决,借助于图神经网络模型能够运行在图这种的非欧式数据,实现图间的匹配功能,给出一个候选指令集,作为匹配集。接着对于模式选择问题,本文使用元启发式算法来处理。由于可行的指令组合不止一种,因此可以利用元启发式算法对于相同的匹配集作为输入,其得到的输出有可能是不同的特点,输出不同的指令组合。本文以BWDSP平台的程序和其指令集为平台依托,通过实验验证了这两种方法在编译后端领域的实际应用性能,并通过与传统的指令选择策略的对比实验,证明了这种指令选择策略的高效性,不仅能够从降低程序执行的代价上,充分利用BWDSP指令集中特殊和复杂指令的高效性,而且以将此种策略应用到其它的机器平台的指令选择上,或编译后端的其它子流程中为目标,提高了这种指令选择策略的可拓展和可移植性。本文的主要工作如下:（1）对BWDSP芯片的指令集进行指令建模。每一条BWDSP指令都可以在添加语义规则后表示为图结构。这种结构必须与BWDSP程序的图结构有着相同属性的构造,因而对于BWDSP程序和指令集的图结构建模都必须沿用一套语义规则标准。本文据此提出的语义规则标准设计了自动化生成图结构的工具。（2）对BWDSP程序进行CDFG建模。将BWDSP源程序中的控制流（Con-trol Flow）和数据流（Data Flow）按照依赖关系联系为一个整体,即数据控制流,可以得到CDFG（Control Data Flow Graph）。并对源程序进行分类、扩充,得到不同指令类别对应的CDFG指令图集,作为图神经网络的数据集。（3）设计和改进图神经网络模型结构,以获取候选指令集合。本文将经典的归纳学习图神经网络GraphSAGE和图同构网络模型GIN加以改进,提出一种新的图神经网络模型-GINSA,应用到指令选择过程的模式匹配中,该模型是针对BWDSP建模后的程序CDFG和指令图集而提出的模型,将模型给出的指令作为候选指令,并与实际程序的所采用的指令之间对比,通过执行效率来验证模型所选指令的高效性。（4）使用元启发式算法,从候选指令集中选择最佳的指令组合作为最终的指令组合。元启发式算法能够解决本质上是组合优化问题的模式选择问题,将图神经网络所选择出的候选指令集作为匹配集,元启发式算法作为选择器,最终的结果是从匹配集中选择可行的指令组合作为最终的指令组合。本文通过以上的工作,使用基于LINUX系统上的BWDSP1042模拟器,LLVM8.0 Release版本作为数据集构建的环境架构以及Nvidia GeForce RTX 2060显卡用于图神经网络模型的训练和元启发式算法的搜索加速,实验以最终的指令组合与源程序所使用的指令之间性能的对比作为评判标准,验证了本文的指令选择策略的优势。