GPU具备强大的数据并行处理与浮点计算能力,因而被越来越广泛地应用于数值模拟和科学计算等领域。但面对GPU的复杂硬件结构和完全不同于CPU的多线程编程模型,提高GPU上程序开发效率以及程序的性能就显得尤为重要,线程放置策略是其中重要的一环。线程放置策略比较复杂,传统的线程放置策略包括参考指导建议、穷举参数等。本文在程序静态信息和运行时信息基础上,使用机器学习算法建立了CUDA程序线程放置优化模型。本文首先对具有较强代表性的程序核心信息做了总结,并设计了基于nvprof工具采集对应的运行时信息的方法。但采集运行时信息存在耗时过长的弊端,采集过程需要反复运行程序导致时耗成倍增长。为此,本文进而提出了采集静态程序信息替代部分运行时信息的思路。本文通过使用LLVM框架将CUDA程序转化为中间表示形式,编写分析pass统计源程序的循环信息、指令信息、存储信息等,综合实现了CUDA程序静态信息的采集,大大减少了程序信息采集的耗时。本文还提出了全面反映程序性能变化的设置标签算法。经过筛选,本文确定了多个机器学习算法参与训练,并使用网格搜索方法、交叉验证方式完成参数调优的工作。在实验分析中,本文在三个公开程序集上选取程序建立训练集,共设计完成了三组实验。通过静态信息替代效果分析实验,验证了静态信息对运行时信息有较好拟合效果,可以在保证模型训练精度前提下,使信息采集时耗减少23.2%。通过机器学习算法对比实验,发现了支持向量机算法对本模型具有更好的训练效果。通过与已有模型在同等条件下展开测试,证明本文提出的模型相比已有模型提高精度3.7%、降低时耗51.8%,拥有更好的训练效果与时间优势。