在一台典型的八核移动芯片（如 1 超大核 + 3 大核 + 4 小核架构）上，若直接使用#pragma omp parallel for并将线程池设置为 8 线程执行卷积神经网络推理，测试工具往往会记录到一组反直觉的性能数据：单帧推理延迟不仅没有如期缩短，反而较单线程基准高出数倍；整机功耗急剧上升，机身背板在 1~2 分钟内明显发热，进而触发操作系统的温控降频机制（Thermal Throttling）；随后推理帧率断崖式下跌，实时交互界面出现不可接受的卡顿。出现这种性能劣化的根源，在于移动端片上系统（SoC）与传统桌面/服务器计算环境的物理微架构差异。现代移动处理器是由不同微架构、发射宽度、缓存层级与能效特性的非对称物理核心组成的异构多处理系统（HMP）。若多线程算法直接沿用传统对称多处理（SMP）的假设，将计算任务等分并交由系统调度器自由分发，不同核心之间的算力落差与隐式同步屏障，将导致高性能核心陷入长时间的无效空转，并在片上互联总线引发剧烈的 Cache 一致性通信开销。构建稳定高效的移动端推理调度机制，核心在于三点：脱离不可控的系统默认调度：利用运行时探测与内核拓扑接口，精准识别物理核心属性、缓存规格与微架构指纹；同构线程池亲和性锚定：通过线程级亲和性（Thread Affinity）将工作线程绑定在同构计算集群内，消除算力倾斜与跨簇通信；结合散热物理边界设计调度状态机：针对连续高负载场景引入主动休眠机制，维持帧间热平衡，规避温控节流。本文结合工业级推理引擎（如 ncnn）的核心源码实现与