2007年,NVIDIA推出针对其自身GPU的通用计算模型—CUDA,基于有效利用GPU强大的数据处理能力,CUDA已经被广泛应用于天文计算,力学计算,金融分析等领域。同时,随着阵列信号二维测向算法的不断成熟,如何在保证测向准确率的同时有效提升仿真系统执行速度,已经成为衡量相关算法性能的重要标准。基于传统硬件平台的二维测向算法仿真过程,在阵元数较大的情况下,往往存在设计复杂,成本高昂,仿真耗时较长等缺点。本文将GPU的强大数据运算能力用于二维测向仿真,结合应用较为广泛的二维MUSIC算法,对算法中的各重要执行步骤进行并行优化,利用CUDA完成编程实现。同时借助MFC搭建交互界面,内嵌基于Matlab的图形显示引擎,使仿真界面更加直观易用。最终达到了极大降低仿真成本,提高执行效率的目标。本文主要内容：1.简述GPU和CUDA的发展历程,介绍CUDA编程的基本概念、方法以及CUDA相关函数库的使用方法。2.针对CUDA的并行执行特性,结合棋盘划分,归约等常用并行算法,构建针对于MUSIC算法中各执行步骤的SIMT (Single Instruction Multiple Threads:单指令多线程)运算模型,并最终编程实现。3.实现了基于CUDA的二维测向仿真界面的搭建,利用MFC进行交互界面设计,内嵌基于Matlab的图形显示引擎。4.通过与Matlab仿真结果比对,验证了基于CUDA的二维测向算法仿真的有效性和可行性,同时通过与其他硬件仿真平台的对比,进一步明确了CUDA优劣势,应用环境以及发展前景。