随着多核体系架构的推广和流行,串行代码已无法充分利用多核体系架构提供的计算资源,导致其效率无法满足生产的需要。直接舍弃串行软件将会造成资源浪费,而将串行代码并行化能有效提升代码性能。与手工并行化代码的方法相比,使用自动并行化工具并行化代码的效率更高、要求更低,所以开发能够准确高效地转换代码的自动并行化工具是必要的。自动并行化工具一般由并行判定、代码优化与生成两个部分组成。并行判定是挖掘软件并行性的过程,并行性推测方法是较先进的方法之一,但其推测准确率和效率有待提高。代码优化与生成是并行代码生成过程,多面体编译技术是代表技术之一。但已有的多面体编译器仍存在不足,需要改进。为提高推测代码并行性的准确率并最大程度提高重构代码的性能,本文从并行性推测方法和多面体编译技术两方面入手展开研究,以实现对代码高效准确的自动并行化。为有效提高并行性推测方法的推测准确率,本文提出了一种基于人工智能的并行性推测方法。该方法结合LLVM（Low Level Virtual Machine）编译器和随机森林分类器实现对代码并行性的推测,使用scop标签对推测得到的可并行代码进行标注,标注代码段作为Pluto编译器的输入。在此基础上,基于Pluto编译器展开对多面体编译技术的研究,提出了一种改进的调度算法提高重构代码的效率。由于Pluto编译器不支持循环分块尺寸选择方法,而循环分块尺寸对重构代码的性能又有较大的影响,本文在现有研究的基础上实现了一种基于融合模型的循环分块尺寸选择方法,有效地选择出了最佳分块尺寸,使重构代码的性能尽可能地提高。本文选择SNU＿NPB基准集、Polybench基准集和BLAS基准集中的一部分基准程序验证本文提出方法的可靠性和准确性。经实验验证,并行性推测方法在SNU＿NPB基准集的平均推测准确率达到了90%,比现有的基于人工智能的并行性推测方法约高出10%。改进的调度算法在测试基准集上所需的运行时间平均约为pluto算法的51.85%,当循环分块尺寸较合适时,改进的调度算法的效率可进一步提高。基于循环分块尺寸选择方法确定的分块尺寸生成的重构代码比Pluto编译器默认分块尺寸生成的重构代码获得的加速比平均高9%,表明了本文提出的方法有效性。