近年来,随着互联网技术的发展,信息开始呈现爆炸式增长。数据挖掘技术由于可以从海量数据中提取有价值的信息,越来越受到人们的关注。R语言作为一种解释性编程语言,因其简洁灵活的编程方式和功能强大的第三方工具包等优势,成为统计学科和数据分析领域中强有力的开源工具。然而,由于解释性语言固有的计算效率低的问题,使得R语言在面对巨大计算量的数据分析时存在处理速度瓶颈。因此,提高R代码的计算性能对于推动R在数据分析领域的应用具有重要意义。另一方面,GPU以其并行处理能力强、编程灵活、成本低等特点,在多个并行加速应用领域获得了成功。因此,在R中引入GPU并行加速计算,成为提升R代码性能的发展趋势,具有良好应用前景。本文针对GPU并行计算在R代码优化中的应用现状,研究和开发基于GPU并行加速的R工具包。在此基础上,本文亦尝试在R上移植和优化基于GPU并行计算的深度学习算法,以提高深层网络的.训练速度。本文取得的主要成果有:1.本文从R用户的使用习惯出发,设计并实现了一个基于CUDA的R计算工具包。该软件包可以支持Windows和UNIX操作系统,安装和启用时可以自动进行系统环境检测和配置,具备良好的兼容性和易用性。本文采用面向对象的编程模式搭建分层的系统架构,实现了 GPU计算函数的透明化调用和程序运行时设备(CPU/GPU)的灵活切换。这个系统具有良好的灵活性,健壮性和可扩展性。另外,本文亦在该架构基础上优化了计算中间结果在GPU上的存储和再使用问题,提高了程序的运行效率。2.本文对深度学习算法在R上的并行优化进行了探索,实现了基于CPU+GPU异构编程模式的DBN训练框架。该方法具有使用灵活、加速效果明显的优势。