以深度学习算法为代表的人工智能算法近些年来飞速发展,在计算机视觉、自然语言处理和竞技游戏等不同的领域,深度学习算法展现的智能已经接近甚至超过了人类的水平。基于通用处理器的传统计算系统已经不能很好地支持深度学习算法的需求,新兴的智能计算系统以其在性能和功耗上的优异表现,成为了深度学习算法的重要物质载体。然而,深度学习算法快速发展,智能芯片也不断推陈出新,这对智能计算系统的通用性提出了极大的挑战。本文从智能计算系统中系统软件的不同层次出发,以深度学习算法和智能芯片中的张量运算为典型特点,探究面向智能计算系统的跨平台编译技术问题。本文的主要研究内容及贡献包括:（1）针对智能计算系统中的跨平台代码生成问题,提出了面向智能计算系统的统一抽象机器模型。我们广泛调研了智能计算系统中不同智能芯片的硬件架构特点,发现张量运算是智能芯片设计的核心。因此,提出了智能芯片的张量抽象架构,总结了基于张量抽象架构的张量抽象指令集,并设计了包含标量运算、向量运算和张量运算的张量中间表示。此外,设计了一个两阶段的代码生成方法,完成从通用的张量中间表示到不同智能芯片的代码生成工作。实验结果表明,张量抽象架构可以实例化到4种典型的智能芯片架构:DianNao、TPU、VTA和GPU Tensor Core。我们的张量中间表示相较于传统的标量中间表示,可以平均提高2.68倍的编程效率,并显著降低不同智能芯片代码生成模块的开发代价。（2）针对智能计算系统中的跨平台编译优化问题,开展了面向智能计算系统的通用张量编译优化工作。基于智能计算系统中不同张量操作的运算特点,提出了张量操作的基本范式,定义了张量运算描述。然后,研究了针对张量运算的编译优化方法,设计了5种张量调度原语。最后,通过张量调度语言,实现了3种张量编译优化方法:张量分解优化、特殊卷积优化和流水线优化。我们在GPU Tensor Core、VTA和TPU这3种常见的智能芯片上进行了实验验证工作。实验结果表明,通过张量调度语言仅用实现一套的通用调度模板,就能相比于厂商提供的高性能计算库和其它深度学习编译器达到1.05～2.05倍的性能提升。（3）针对智能计算系统中的用户程序跨平台移植问题,提出了面向智能计算系统的源到源神经编译器Codeformer。Codeformer由三个主要部分组成:预训练、反向翻译和判别式重排序,它能够完成从已有用户程序到智能计算系统的用户程序之间的自动翻译。我们以C语言作为传统计算系统中串行编程模型的代表,以CUDA语言作为智能计算系统中并行编程模型的代表,公开了首个大规模的C-to-CUDA数据集,以学习从C程序到CUDA程序的自动翻译。实验结果表明,相较于传统的自动并行化方法和基于统计的机器翻译方法,Codeformer能够在机器翻译评价指标BLEU、CodeBLEU、ParaBLEU和生成程序的编译通过率上得到显著提升。此外,Codeformer生成的CUDA程序能够达到串行C程序347倍的性能,最高提升CUDA程序的开发效率3.8倍。Codeformer提出了基于机器学习的自动并行程序翻译方法,为传统的自动并行问题提供了全新的思路。