目前，计算机系统的规模正日益增长，用户对计算机性能需求的不断提升也促使大量异构应用程序和线程并发执行。因此，对复杂体系结构的计算特征进行全局分析已经成为研究的焦点问题。传统的分析方法大多采用软件细节模拟等相关技术，为了提高模拟速度，研究者们又提出了统计模拟、采样模拟、加速模拟等改进的模拟方式，为复杂体系结构的分析提供了更高效的方法。但这些方法在大规模异构复杂体系结构的计算特征分析上仍存在着一定的局限性。为了更全面，更有效地分析和利用复杂体系结构的计算特征，本文将机器学习分类方法融入到计算特征的分析中，以便更好的指导体系结构的设计等。本文的主要工作如下：1)探讨了复杂体系结构分析的相关技术。比较分析了传统的时钟周期模拟技术、统计模拟方法、采样模拟技术、加速模拟等，探讨了以机器学习为基础的体系结构计算特征分析方法的优劣和应用前景。2)提出了复杂体系结构的计算特征提取方法。体系结构计算特征的提取为分类研究提供了前期的重要依据。主要将主成分分析方法应用于复杂体系结构特征的提取中，在提取出计算特征IPC（每一时钟周期执行指令数目）和功耗后，用数理统计相关方法对获取的特征空间进行了简单说明描述。研究表明对复杂体系结构的计算特征进行有效提取，有助于提高复杂体系结构计算特征分类的准确性。3)实现了基于Boosting判定模型的计算特征分类方法。利用加权融合的Boosting算法对样本进行训练，该样本中包含提取出的计算特征IPC和功耗以及对应的多核配置参数组合。通过不断迭代训练得到AdaBoost分类模型，再用该分类模型对复杂体系结构的两个计算特征进行分类。实验结果与前期研究的基于BP和RBF神经网络分类模型进行比较，平均误差仅在3-4%，而神经网络模型平均预测误差在4-5%。因此该模型精度较高且优于神经网络模型，能够较好地进行复杂体系结构的计算特征划分。