在大数据时代,面向大数据、科学计算、人工智能的算法和应用不仅需要强大的计算机算力作为基础,还需要高效且易于使用的编程模型作为硬件资源与编程者交互的媒介。目前,面向大数据和科学计算等领域的编程框架往往较为复杂,对于不具备计算机专业知识的使用者是难以上手的,不利于交叉学科的持续蓬勃发展。领域特定语言是专注于特定应用领域的计算机编程语言,具有语法简洁、表达性强等特点。Axle是面向科学计算的领域特定语言,提供了大数据、科学计算的一系列基本功能。基于大数据时代对更优编程模型的内在需求,本文提出在Axle的基础上进一步扩展其功能,研究面向大数据和科学计算领域的高性能领域特定语言——Paraxle。Paraxle对Axle进行了多方面的扩展。针对Axle中部分可并行化的功能,Paraxle实现了这些功能的并行化,提高了执行效率。由于Axle仅提供了少数大数据方面的算法,Paraxle在回归、分类、聚类等方面进行了扩充,增加了多个算法的实现。Axle不具备异构计算的功能,然而在大数据时代,异构并行计算有着重要作用,基于此Paraxle将OpenCL与Axle相结合,实现了面向异构计算的线性代数、模拟等功能,同时将上述实现封装成易于使用的编程接口,使得不具备OpenCL背景知识的用户也能轻易获取到异构计算带来的加速。此外,Paraxle基于Akka实现了部分算法的并行化,同时为基于Akka的集群计算提供了方便的编程接口。本文基于Paraxle实现了高斯过程回归算法并且与高斯过程回归的伪代码进行对比,充分反映了Paraxle编程的简洁性和直观性。本文的实验从可用性和性能两方面对Paraxle进行了仔细深入的测试与分析,实验结果表明Paraxle对Axle的扩展达到了预期效果。相比于Axle,Paraxle具备了异构计算的功能,并且具备在更多大数据场景中应用的潜力。此外,由于Paraxle是基于Scala的嵌入式领域特定语言,Paraxle强大的类型系统为今后的进一步扩展优化提供了广阔的空间。