当前,嵌入式系统已被广泛运用于人们生活的方方面面,包括航空、汽车、消费电子产品等,而在广泛的应用场景下也产生了多样化的应用程序。这些针对不同应用场景开发的应用程序往往具有不同的性能、功耗和可靠性需求,面对这种需求,新兴的异构多核处理器因其高性能、低功耗的显著优势已经成为现代嵌入式系统的主流方案。这类系统所面临的一个重要挑战就是如何在运行时根据不同应用在性能需求、行为表现等方面的差异对系统资源进行动态的管理分配从而满足系统及其所运行应用的需求。典型的嵌入式系统应用可以分为两类,一类是那些对安全性和可靠性要求较高的安全应用,比如汽车、飞机中的管理和控制应用,对这类应用由于任何错误的出现都可能导致致命的后果,用户需要确保其可靠性被严格满足;另一类是对安全性和可靠性要求相对较低的非安全关键应用,比如消费类电子产品中的多媒体应用,对于这些应用用户往往希望在尽量保证其稳定运行的情况下能够获得尽量好的性能或服务质量。为此,本文针对异构多核处理器系统中这两类应用的动态资源管理分别展开研究。针对安全应用的动态资源管理,提出了一种基于离散控制器合成(Discrete Controller Synthesis,DCS)技术的方法来对异构多核处理器系统的资源管理部件进行自动、可靠的设计,将形式化的、能够自动构造管理控制部件的离散控制器合成技术应用到异构多核系统的在线资源管理部件设计当中。该方法通过采用形式化模型来描述异构多核系统的资源管理行为(如何为应用分配处理核),并将在线资源管理问题转换为一个面向某个系统管理目标(例如最大化应用性能)的离散控制器合成问题,从而可以使用已有的合成算法和工具来自动的生成一个管理部件,为资源管理器的可靠性提供了形式化的保证。针对非安全关键应用的动态资源管理,为了尽可能的优化系统性能、减少在线计算的开销,本文提出了一种基于机器学习模型进行应用性能预测的在线资源管理方法。该方法一方面构建了一个基于机器学习技术的性能预测器来对应用进行快速高效的性能预测;另一方面通过将应用执行的阶段检测技术与基于竞争交换的策略相结合构建了一个轻量级的在线资源管理算法。实验表明,该方法与常用的完全公平调度(CFS)算法相比,能够在较低的算法复杂度下有效提升异构多核处理器系统的总体性能。