随着计算系统中任务日益复杂,待处理的数据呈现出计算量大、类型繁多、复杂度高等特点,传统的同构计算系统已难以满足数据处理的需求。为解决算力问题,计算系统逐渐从同构处理器架构发展到异构处理器架构;从集中式系统发展到分布式系统;从异构片上系统发展到异构分布式系统。为确保异构和分布式计算系统中多任务的顺利执行,设计高效和可靠的任务分配策略成为亟需解决的难题。本文分别针对混合CPU-FPGA的异构片上系统、小规模的嵌入式的异构分布式计算系统、大规模的面向服务的异构分布式计算系统的高效任务分配策略开展研究。本文的主要研究内容如下:1.针对混合CPU-FPGA的异构片上系统中卷积神经网络推理的加速需求,引入了高性能深度学习处理单元(Deep Learning Processing Unit),评估了该系统任务调度效率不佳的原因,探索了提升其调度效率的优化方法,并提出了一个高效的任务分配框架。在赛灵思Zynq Ultra Scale+MPSo C zcu104平台上的实验结果表明,该任务分配框架有效地增加了针对卷积神经网络推理任务的调度效率(小规模网络:从36%提升至70%,中规模网络:65%提升至95%,大规模网络:77%提升至99%)。2.针对嵌入式的异构分布式系统中低冗余、高时效的任务分配需求,提出了一种满足应用可靠性需求且冗余最小的快速任务分配算法(FTAOR)。与传统的穷举法不同,FTAOR算法可以有效地预测和消除大多数无意义的计算,从而缩短验证时间。在不同异构性的嵌入式并行应用中的实验结果表明,与目前最新的算法相比,FTAOR算法具有更少的冗余,与穷举法相比,支持的任务规模从30个增加至150个,且计算时间极短。3.针对面向服务的异构分布式系统中任务规模大、时效要求高的特点,提出了一种能够满足其应用可靠性需求、最小化冗余、最大化时效的快速任务分配算法(FTAMR)。FTAMR算法能够快速判断应用中需要被复制的任务,并将选定的任务快速映射至各自最合适的处理器备份。在不同任务规模、并行性和异构性的并行应用中的实验结果表明,与最新的容错算法相比,FTAMR算法在满足应用可靠性需求的同时保证了最小化的冗余和最大化的时效。