随着成像光谱学的发展和光谱分辨率的不断提高,高光谱遥感处理技术受到了令人瞩目的关注。高光谱遥感因其丰富的光谱信息能够检测出许多传统图像或多光谱图像难以检测到的地物目标的微小差异,使研究人员能更精细地分析地物的特征,从而在解决检测问题时显示出了独特的优势,在目标检测领域具有重要的理论意义和实际应用价值。但是,由于遥感探测手段和成像技术的发展,高光谱遥感处理的数据量变得越来越庞大,极大地提高了后期数据处理的难度,尤其是在对一些速度要求较高的应用中,数据处理速度严重滞后。因此,如何加快数据处理的速度,提高算法的执行效率,提高目标检测的时效性成为了一个刻不容缓的问题。近年来,GPU通用计算凭借其强大的计算性能以及高速带宽逐渐成为了高光谱遥感数据快速并行目标检测的有效手段。本文针对高光谱遥感目标检测算法的效率问题,在分析了高光谱目标检测原理及GPU并行架构的基础上,提出了基于GPU的高光谱遥感目标检测并行优化算法,设计了多GPU平台下多线程优化调度的快速目标检测方法,并通过实验证明了算法的有效性和高效性。具体工作和研究成果包括以下几个方面:(1)在分析基于低秩分解的高光谱视频序列目标检测方法的基础上,提出了基于存储组织和计算资源调优的GPU并行优化方法。根据高光谱目标检测算法特点,对低秩矩阵分解过程进行了任务分解和存储组织结构访问的优化设计,采用全局和共享内存交互优化的技术,针对卷积求解涉及的矩阵维度过大、计算复杂度较高的问题,进行了计算和数据并行性的分析,通过对算法迭代过程进行并行化重构,设计了计算密集型的可调优模型来突破算法性能的瓶颈,有效降低了CPU和GPU间的数据交互时间,并利用真实的高光谱数据验证了上述优化方法的有效性和高效性。(2)在CPU+GPU异构平台上设计了基于时空TV正则化的低秩分解目标检测并行算法。在详细分析了目标检测算法并行性的基础上,优化设计了基于细粒度线程级GPU并行方式,结合计算资源的使用情况,提出了自适应配置核函数维度的方法,充分利用了计算资源,有效提高了GPU的吞吐量。同时,针对求解拉格朗日方程的多次迭代更新问题,依据数据的依赖性进行了合理的任务分配和存储优化,综合利用了CPU的逻辑控制能力和GPU的并行计算能力。实验表明,本文所提的并行优化方法在保证高光谱目标检测精度的情况下,最高加速比达到115.26x。(3)提出了基于多GPU平台的高光谱视频序列目标检测快速算法。通过对算法数据依赖性和计算特征的分析,提出了基于多线程优化调度与多任务重叠执行的算法并行设计方法,进行了基于异步流技术的低时延传输设计,以及基于任务等级的多类型存储分配。实验结果表明,该多GPU并行目标检测方法相较于单GPU并行方法,具有明显的加速效果和较高的并行效率。