目前,大多数光学遥感卫星和许多现代的航空数字相机都能同时获取多光谱影像和全色影像。凭借能够有效地结合全色影像的纹理特征和多光谱影像的光谱特征的能力,影像融合在遥感领域扮演着重要角色。尽管关于影像融合技术的研究已经有数十年并且取得了一定的成果,但研究人员一直将关注重点放在解决颜色失真和纹理损失问题上。随着对地观测技术的发展,遥感影像数据获取手段愈加丰富,影像的数据量日益增长。影像融合算法具有处理数据量大和计算密集的特点,采用传统的串行处理模式将难以满足当前繁重的生产作业任务。在摄影测量与遥感领域,利用基于CPU和GPU协同处理的并行运算平台,实现高性能的处理流程已经成为一种趋势。本文针对大影像快速融合处理的迫切需求,在深入研究影像融合算法的基础上,利用CUDA研究遥感影像融合算法的GPU并行处理方案,主要包括以下几点:1.简要总结了在遥感影像处理领域和影像融合算法并行处理方向的研究现状;介绍了CUDA编程关键技术、性能分析方法和性能优化方法,针对影像处理提供了几点优化策略,建立了CUDA环境下影像处理流程。2.分析了三种常用商业遥感软件(ERDAS、ENVI、PCI)中的融合方法,并通过处理高分一号影像在视觉上比较了各种方法的融合效果;详细地介绍了当前对融合影像质量评价的方法和数学指标,深入统计分析了国内学者对融合影像质量评价的研究现状,并指出了其中的问题。3.对比了三种重采样方法对最终融合结果的影响;将重采样过程移植到GPU端进行,实现了CUDA环境下的遥感影像融合重采样处理;提出了一种可用于影像融合的边缘增强预处理算法并且实现GPU加速处理,在不影响处理效率的同时,添加一定权重的边缘信息到原有全色影像上,得到轻微边缘增强的融合影像。4.设计了面向大影像融合的并行处理框架,利用添加GPU算法库的形式实现影像融合的CPU-GPU协同处理;在分析HPF和HCS融合算法的基础上,采用算法分解技术对这两种算法进行加速处理,达到了预期效果。5.针对Block-Regression融合算法颜色失真问题,利用直方图调整的方法进行改进;提出了改进的Block-Regression算法的GPU并行处理方法,针对算法中的性能瓶颈,利用高速的共享存储器进行优化处理,充分发挥了GPU的并行处理优势。利用高分一号、高分二号影像进行融合实验,从不同角度分析了改进算法的处理性能。从融合效果来看,改进的Block-Regression算法能够有效地减少颜色失真和纹理损失问题;从CPU串行处理和GPU并行处理来看,基于GPU的改进算法取得了一定的加速比;与其它两款商业软件对比,证明了基于GPU并行处理的遥感影像融合算法具有一定的优势,能够满足大批量的生产作业。