在许多通信应用程序中,例如信号和图像处理程序,大部分运行时间花费在了计算密集的循环嵌套中,多面体模型作为一种优化的程序表示方法,可以充分利用现代多核体系架构的优势,对循环进行并行性和局部性发掘,成为进行循环优化的一个新选择。然而,多面体模型严格的建模限制条件以及应用程序本身的复杂性,使得并非所有的循环嵌套都能表示为多面体形式,需要对多面体模型的建模算法进行适当改进,以扩展多面体模型对循环嵌套的表达能力。此外,循环分块作为提升数据局部性的一种重要的循环转换方法,目前在多面体模型中仅支持规则的平行四边形分块方式,然而,这种规则的分块形状可能携带着复杂的不规则依赖关系,将严重影响数据局部性的优化效果。并且,日益复杂的硬件存储体系结构也使得旨在增强数据局部性的最优分块算法变得困难。因此,本文开展的多边形分块技术,对讨论如何通过选择合理的分块形状和大小以进一步优化数据局部性具有研究意义。本文在多面体模型的基础之上,主要工作如下:1、提出了一种多面体模型识别预优化方法:多面体模型建模的严格限制条件,使得许多嵌套循环无法被识别并表示为多面体形式,使得许多循环失去了使用多面体模型优化的机会。为了解决该问题,本文针对循环中的一些不规则结构,基于开源的LLVM编译框架,新增并实现了一个针对多面体的规范化处理遍(Pass),通过一种定值替换的方法,以图解决对多面体建模影响最大的非仿射因素。此外,为了能让识别算法更快的收敛于热点循环,基于自然循环树的遍历,对静态控制块识别算法进行了进一步优化。2、提出了一种基于重用模式的多边形分块方法:在当前的多面体模型中,采用简单的循环分块方法仅支持构造规则的平行四边形分块。虽然规则的分块也可以提升数据局部性,但这种简单的分块方式往往隐藏着较为复杂的依赖关系,将严重影响循环分块优化的数据局部性效果。此外,该方法也会导致过多的分块数量,将进一步增加数据的管理开销,降低因为分块带来的性能提升。为了解决这个问题,本文基于多面体模型强大的线性表示能力,提出了一种基于重用模式的多边形分块方法,对分块形状和分块大小给出了一种优化的解。本文基于多面体模型的相关循环优化工作,已基于开源的LLVM编译框架进行了实现,测试结果验证了相关优化方法的正确性,并对优化的性能进行了测试。