近年来,功能不断丰富的硬件设备使得计算环境变得越来越多元化。随着众多加速器的出现,异构系统以其独特的性能优势迅速抢占通用计算市场,逐渐成为了高性能计算领域的主流平台。然而,由于异构系统中存在许多制约程序运行效率的因素,且应用迁移过程中缺乏对运行瓶颈的深度分析和性能优化,造成实际加速效果与系统性能相差甚大,从而导致计算资源的浪费。此外,不同HPC应用之间特定依赖库的相互干扰,也是导致异构系统资源利用率低下的原因之一。虽然Docker容器为同一异构平台中运行不同HPC应用提供了新的解决思路,但由于其自身的权限提升问题和资源管理机制与HPC应用场景存在冲突,因而在扩展性和功能性方面大打折扣。为了解决上述问题,本文以HPL这一主流的HPC应用为例。通过优化程序的运行效率和研究应用容器化方案,有效地提高了系统资源利用率和应用的可移植性。本文主要包含以下三部分:(1)结合异构系统和并行应用的计算特点,分析多进程间的数据布局,对比以CPU为中心和以GPU为中心两种不同任务负载模型的传输开销。并且基于实验验证了后者能有效减少数据传输,有助于加速高阶矩阵的分解计算;(2)提出针对异构系统的程序性能优化方案,通过异步迭代的方式加速应用计算,引入双缓冲、多流水执行、自适应任务划分和基于GPU的多线程并行等多种方法提高了程序的浮点运算效率,并通过优化前后的程序性能对比验证提升效果;(3)结合Singularity容器技术设计一种面向HPC应用的容器化方案,并基于该方案分别在单节点和多节点两种不同的运行环境中进行测试对比,从而证明了该研究方案的有效性和可行性。