随着大数据时代的到来,机器学习、大数据仿真、增强现实等大数据高通量应用已经在各个研究领域广泛使用。大数据高通量应用具有计算量大、高并发等特点,传统的单CPU处理器结构擅长逻辑计算和系统交互,计算能力有限,不足以满足计算需求。原本用于显卡中图形计算的GPU由于其内部核心和计算单元数量多,非常适合处理高并发的大数据计算,现在越来越多地作为协处理器帮助CPU处理大数据高通量计算。CPU/GPU异构计算是目前处理大数据、高并发计算的有效途径。由于CPU和GPU内存的隔离限制,程序员需要显示管理CPU和GPU内存间数据交换,手动优化GPU内存使用,如何编写出高效的GPU代码对普通程序员来说一直是一大挑战。本文简单介绍了现有的一些GPU编程优化方法以及每种方法的适用场景,分析了程序中的控制流和数据流,并介绍了一些编译器优化方法。我们通过分析GPU程序中数据交换操作的依赖性,提出了一个重新组合不同核函数数据交换操作的方法来优化CPU和GPU内存间的数据交换。通过分析发现,核函数的数据交换操作不仅仅包括数据在PCIe总线上传输时间,还包括一些预处理、清理、系统调度等工作带来的系统消耗。这些额外的系统消耗将会随着GPU程序核函数的增多显著增加,特别是当程序员没有很好地优化这些频繁的数据交换操作。因此,我们首先通过编译原理中控制流分析和数据流分析方法定义了核函数的数据拷入路径和数据拷出路径,数据拷贝操作可以沿着相应的拷贝路径在程序语句中迁移。当两个数据交换操作方向一致,而且迁移路径发生重叠时,我们可以把不同核函数的两次数据拷贝操作合并成一次执行。迁移、合并多个数据交换操作可以明显的减少整个GPU程序中数据交换操作带来的系统消耗。最后通过实验证明本文提出的优化算法对一个数据交换频繁、单个核函数数据交换量较小的GPU程序具有显著的优化数据交换效果。