随着信息技术的发展和大数据时代的到来,数据信息的产生速度十分迅速。图作为一种对大数据进行处理的有效手段已经获得学术界和工业界的一致认同,基于图计算的技术可以有效地从海量数据中提取关键信息,但同时对计算能力的需求也急剧增长。目前已经有很多的研究工作基于X86 CPU和GPU架构对图算法进行加速,并且取得了很好的效果,而基于ARM架构进行图计算优化的工作还相对较少。ARM处理器已经在高性能计算和终端计算设备中广泛使用,2020年日本研制的超级计算机Fugaku（富岳）登顶并蝉联TOP500,将极大促进基于ARM架构的计算系统在应用中的使用和发展。因此,研究基于ARM架构的图算法优化技术正当其时,也十分必要。本文主要从两个方面开展基于ARM架构的图计算优化研究。首先,本文基于ARM架构对Kruskal和Prim算法进行了优化并提出了基于最小生成树的Graph500 BFS验证算法。为了加速验证过程,在数据结构和算法层面做了相应的优化,使用CSR格式存储稀疏图,在减少存储空间的同时加速数据的访问,函数以CSR稀疏图和BFS生成树作为输入,对BFS生成树生成边（源顶点、目标顶点、权重）集,根据该边集以相应的逻辑做进一步的判断,进而验证BFS生成树的正确性。在FT-2000+多核高性能处理器单机平台和集群系统上对优化前后的Kruskal、Prim算法和原始验证算法进行了测试与对比,结果表明Kruskal算法能加速Graph500 BFS生成树的验证环节,在一定程度上能保障程序的可靠稳定运行。其次,本文在ARM架构下对采用顶点编程模型的Graph Mat进行性能测试分析和优化。本文对Graph Mat框架计算模式和访存方式进行特征分析,并对各个部分的执行时间占比进行了详细统计和分析。发现Graph Mat在FT-2000+上的性能瓶颈主要是多核利用效率低下和远程数据访问。针对这一发现,本文提出并实现了基于虚拟多节点的多级并行和基于核关联的数据局域性开发优化策略策略,实验结果表明,优化后程序的性能得到了较大的提升,在比较耗时的SPMV阶段效果更佳。此外,在四种图算法上对本文提出的优化方式进行了性能和扩展性测试,Graph Mat在FT-2000+/64核处理器平台上的性能优异且扩展性可达到41.3倍的加速比。