随着移动设备应用程序的日益复杂和处理器功耗密度的不断增加,功耗和热问题已经成为了智能移动端的处理器设计中的主要问题。动态调频调压技术（Dynamic Voltage and Frequency scaling,以下简称DVFS）是现代处理器中最常用最有效的系统级电源管理方法之一。但目前智能移动设备操作系统中的DVFS策略考虑的因素较为单一,大部分只考虑处理器当前的负载,这很难实现高效全面的电源管理。另一方面,桌面级处理器部署的专属电源管理策略不适用于以智能手机为代表的移动端设备。本文针对移动端设备常用的ARM处理器的DVFS技术进行深入研究,提出了基于机器学习的DVFS技术,旨在建立一个全方面考虑的、准确的、高效的DVFS技术。具体而言,首先建立了一套用于完整模拟处理器运行与DVFS切换的框架,该框架使用GEM5、Mc PAT和Hot Spot组成的仿真工具链进行仿真。然后,本文从处理器状态建模、基于遗传算法的最大功耗求解算法和基于强化学习的DVFS策略三个方面逐步完善该框架。为了全面掌握处理器的状态,本文在仿真建模中提出处理器状态模型,并在开发板上进行实测。功耗模型根据性能计数器来估算当前功耗,与真实功耗相比,平均误差为2.16%。温度预测模型使用当前温度与功耗预测未来温度,平均误差为0.83%。负载预测使用Light GBM算法预测未来的负载,其平均误差在3.35%。基于遗传算法的最大功耗求解算法通过代码搜索引擎启发式地计算出处理器在各个电压频率对下所能达到的最大功耗。结合处理器散热设计的TDP,可以得到处理器允许运行的电压频率对,即DVFS技术能切换选择的电压频率对。基于强化学习的DVFS策略,根据处理器状态模型使用DQN算法来计算预测未来时刻的最佳电压频率对。该策略从算法细节、状态空间、动作空间和奖励函数四个方面进行优化,解决DQN算法的固有缺陷,提高训练速度与预测效果。并且,在仿真中使用查找表替代神经网络的前向计算,进一步降低运行时间成本。此外,本文还将该策略与常用的三种DVFS策略和强化学习策略进行对比评估,实现5.3%～7.3%的性能提升。