异构多核处理器已成为现代嵌入式系统的主流解决方案，而好的在线映射或调度方法对其充分发挥高性能和低功耗的优势起着至关重要的作用。针对异构多核处理系统上的应用程序动态映射和调度问题，提出一种基于机器学习、能快速准确评估程序性能和程序行为阶段变化的检测技术来有效确定重映射时机从而最大化系统性能的映射和调度解决方案。该方案一方面通过合理选择处理核和程序运行时的静态和动态特征来有效感知异构处理所带来的计算能力和工作负载运行行为的差异，从而能够构建更加准确的预测模型；另一方面通过引入阶段检测来尽可能减少在线映射计算的次数，从而能够提供更加高效的调度方案。最后，在SPLASH-2数据集上验证了所提出调度方案的有效性。实验结果表明，与Linux默认的完全公平调度（CFS）方法相比，所提出的方法在系统计算性能方面提高了52%，在CPU资源利用率上提高了9.4%。这表明所提方法在系统计算性能和CPU资源利用率方面具备优良的性能，可以有效提升异构多核系统的应用动态映射和调度效果。

异构多核处理器（HMPs）平台已成为现代嵌入式系统的主流解决方案，其中在线映射或调度对充分发挥其高性能和低功耗的优势起着至关重要的作用。针对HMPs的应用任务动态映射问题，提出了一种基于机器学习预测模型的在线映射调度解决方案。一方面，构建了一个可以快速高效地预测和评估不同映射方案性能的机器学习模型，为在线调度提供支持；另一方面，将该机器学习模型整合到遗传算法中以高效地找到（接近）最优的资源分配方案。最后，通过一个M-JPEG解码器验证了所提方法的有效性。实验结果表明，该方法的平均执行时间相较于常见的轮询调度和抽样调度方法分别降低了28%和19%左右。