大数据处理和人工智能在当今时代起到越来越重要的作用,但是由于相关的应用程序需要大量数据和复杂的计算,呈现出数据密集的典型特征,从而对计算机系统的能效提出了严峻的挑战。粗粒度可重构处理器（CGRA）是一种适合加速数据密集型应用的特定领域应用架构,它结合了专用集成电路的高能效和通用处理器的高灵活性。CGRA可以在运行时动态改变电路的功能,其特有的粗粒度运算单元可以减小信息配置代价,具备更高的计算能效。同时,许多大数据处理应用具有容错的特点,例如多媒体处理、数字信号处理、机器学习等。在这些应用中,精确或高精度的计算并不总是必要的。因此,近似计算（AC）可以通过牺牲部分精度来提高计算系统性能和能效,受到越来越多人的关注。作为AC的一种,随机计算（SC）是一种用于低功耗和低成本电路设计的计算范式,具有高容错性和渐进精度的优势。SC将数据视为概率,从而可以把实数域下的乘法运算转换为概率域下的“与”运算,可以大大简化乘法器的设计。由于CGRA本身具备高能量效率的优势,所以针对容错应用设计基于SC的CGRA,来发挥二者的优势并进一步提升计算能效具备重大意义。因此,本文将开展基于随机近似计算的高能效CGRA关键技术研究,实现近似计算范式和可重构计算的深度融合,提出一种基于SC的CGRA（SC-CGRA）,达到提升数据密集型容错应用能效的目的。本文的主要研究工作和成果如下:（1）本文提出了一种基于SC的高能效乘法器（ISC-MUL）,并将其应用在CGRA中。ISC-MUL中使用了基于确定性并行Sobol序列的随机比特流生成器,最大限度减少了比特流生成器资源消耗的同时降低了电路延时和功耗。为保障计算精度,该乘法器还引入前导零计数器对小尺度数据进行缩放,实现单个乘法器的高能效、高精度计算。（2）本文利用SC渐进精度的特性提出了一种动态精度扩展策略,相比于传统基于电源门控的近似计算,减少了精度模式转换开销。通过拼接来自于不同处理单元的随机比特流,来实现更长的随机比特流,从而增加了SC的运算精度。由于这样的精度扩展策略没有任何模式转换开销,可以在保证灵活性的同时提升计算能效。（3）本文提出了一种资源感知的算子精度级别分配优化算法,最小化了数据依赖图（DDG）中算子的数量。由于本文提出的精度拓展策略需要在DDG中添加额外的算子,从而有可能会影响CGRA的流水性能。所以,本文基于整数线性规划将算子精度级别的分配构建成一个优化问题,以最小化DDG中算子的数量为目标,在保证需求的精度前提下,最小化额外插入算子的数量,提升软件流水性能。最终的实验表明,相比较于最先进的基于近似计算的CGRA,SC-CGRA有35%的能效提升,相比于基于精确计算的传统CGRA有90%的能效提升。该论文工作实现了近似计算领域定制架构,为大数据处理等领域应用奠定了算力基础。