Parallelisierung eröffnet die Möglichkeit, die Performanz eines Programms über die Optimierung des sequenziellen Algorithmus hinaus zu steigern. Ihre Anwendung erfordert fundierte Kenntnisse des Programms und ist in der Regel sowohl komplex als auch zeitaufwendig. Um mögliche Parallelität zu erschließen, kann auf verschiedene Softwaretools zurückgegriffen werden. Tools, welche auf statischen Analysen basieren, parallelisieren in der Regel viel zu konservativ, während dynamische Analysen meist enormen Laufzeit-Overhead verursachen, wobei Verlangsamungen um das 100-fache keine Seltenheit sind. Diese Dissertation stellt zwei Methoden vor, welche Programmierer darin unterstützt, Programme zu parallelisieren. Wir abschieden uns von der Idee der vollautomatisierten Parallelisierung und weisen Programmierer stattdessen auf potenzielle Parallelisierungsmöglichkeiten im Quellcode hin. Die Methoden umfassen im Einzelnen eine hybride Datenabhängigkeitsanalyse, welche den Beschränkungen statischer als auch dynamischer Analysen entgegenwirkt, und eine Technik, die die identifizierten Abhängigkeiten nutzt, um Programmierern praktische Hinweise zur Parallelisierung eines sequenziellen Programms zu geben. Eine Datenabhängigkeitsanalyse kann statisch oder dynamisch durchgeführt werden. Die statische Analyse ist schnell, überschätzt jedoch die Anzahl der Datenabhängigkeiten. Die dynamische Analyse zeichnet Abhängigkeiten auf, welche tatsächlich während der Programmausführung auftreten, aber ist zeitaufwendig und zusätzlich inputsensitiv. Wir haben uns daher für einen hybriden Ansatz entschieden, der den Overhead erheblich reduziert und die Datenabhängigkeiten nicht überschätzt. Unsere Methode erkennt zuerst Speicherzugriffsbefehle, die statisch identifizierbare Datenabhängigkeiten bilden. Anschließend werden diese Anweisungen von der Instrumentierung ausgeschlossen und der damit verbundene Laufzeit-Overhead vermieden. Wir haben die Methode in DiscoPoP, ein Werkzeug zur Erkennung von Parallelität, integriert und mit 49 Benchmarks aus drei Benchmark-Suiten (Polybench, NPB und BOTS) sowie zwei Simulationsanwendungen (EOS-MBPT und LULESH) evaluiert. Der Median der Laufzeitreduktion über alle Programme lag bei 76%. Darüber hinaus haben wir eine Methode vorgestellt, welche die identifizierten Abhängigkeiten verwendet, um Parallelisierungshinweise auf OpenMP-Ebene zu liefern. OpenMP ermöglicht es Programmierern, Codeabschnitte in einem Programm mit Parallelisierungskonstrukten zu annotieren. Die Programmierung mit OpenMP ist nicht einfach. Programmierer müssen bestimmen, welches Konstrukt in welche Quellcodezeile eingefügt werden soll, um die Leistung zu maximieren und gleichzeitig die Korrektheit zu bewahren. Eine weitere Aufgabe besteht darin, Variablen innerhalb der Konstrukte gemäß ihrer Datenaustausch-Semantik zu klassifizieren. Die manuelle Ausführung dieser Aufgaben ist komplex und fehleranfällig. Um dieses Problem zu umgehen, haben wir einen automatischen Ansatz gewählt. Dabei werden parallele Entwurfsmuster, die von den extrahierten Datenabhängigkeiten abgeleitet wurden, auf geeignete OpenMP-Konstrukte und Quellcodezeilen abgebildet. Zudem werden innerhalb der Konstrukte verwendete Variablen klassifiziert. Wir haben DiscoPoP um unseren Parallelisierungsansatz erweitert und die Ausführungszeit der mithilfe von DiscoPoP parallelisierten Testprogramme mit ihren sequenziellen Versionen verglichen. Dabei konnte eine bis zu 1,35-fache Beschleunigung für EOS-MBPT und eine 8-fache für LULESH beobachtetet werden. Bei den Benchmarks haben wir ferner unserer Parallelisierung mit der von drei etablierten Parallelisierungswerkzeugen verglichen: In den meisten Fällen wurde von DiscoPoP schnellerer Code erzeugt – mit einem durchschnittlichen Speedup von 1,8 bis 2,7 gegenüber den anderen Werkzeugen. Darüber hinaus haben wir Variablen von OpenMP-Programmen, die manuell oder mit Hilfe dieser Tools parallelisiert wurden, automatisch neu klassifiziert und so die Ausführungszeiten der Programme um bis zu 29% reduziert. Schließlich konnten wir zeigen, dass die aus der inhärent inputsensitiven dynamischen Datenabhängigkeits-Analyse resultierenden parallelen Programme, wenn man das ursprüngliche sequenzielle Programm mit einer Reihe repräsentativer Inputs ausführt, in der Praxis nicht schwieriger zu validieren sind als händisch parallelisierte Programme. Schließlich haben wir das Verfahren erweitert, um geeignete Kernels in einem Programm mit Hilfe von OpenMP auf eine GPU auszulagern.