随着当代社会信息快速发展,每日在气象预报、计算生物学、商业风险计算、科学研究等领域产生海量的信息。基于x86体系结构的处理器由于元件的缩小和散热等工艺技术的限制,很难再有大的性能飞跃。为了应对海量数据问题,使用GPU来加速计算己成为一种趋势。　　 在研究病毒中,为跟踪单点病毒粒子,会拍摄下大量的粒子图像。这些粒子的荧光图像在超显微镜下的亮度值呈点扩散函数形式。粒子的特征可以通过曲线拟合来得到。Levnberg-Marquardt算法是拟合曲线的一种稳定而快速的拟合方法。当拟合拍摄下的大量囊泡粒子图像时,这将是一个巨大的挑战。　　 结合当前的GPU技术和拟合大量的粒子图像,本文基于CPU+GPU异构架构上做了如下贡献和工作:　　 1,设计并实现了基于CPU+GPU架构的适用完整高斯函数、无角度高斯函数、圆形高斯函数等三种情形的GPU-GauseFitting并行程序。通过大量实验证明在拟合图像帧数大于1000的情况下,该GPU程序能够获得相对于串行程序CPU-GauseFitting40倍以上的加速比。　　 2,为了应对在拍摄中拍摄到两个囊泡的情况,对GPU-Gause Fitting进行可扩展性重构。扩展后的GPU-GauseFitting2程序更加具有普适性。通过大量实验证明在拟合图像帧数大于1000的情况下,该GPU程序能够获得相对于串行程序CPU-GauseFitting60倍以上的加速比。　　 3,设计并实现了基于CPU+GPU架构的并行朴素贝叶斯分类器(GPU-NBC)。使用该程序对拟合图像的结果数据进行分类,实验证明在数据量大于1000的情况下,结果显示能够获得相对于CPU-NBC20倍左右的加速比。此外还使用本程序对来自UCI的10个以上的数据进行与CPU-NBC程序进行对比试验,获得了2～50倍的加速比。　　 本文基于CPU+GPU异构架构实现的GPU-GauseFitting方法,能够快速的对图像数据进行拟合。同时GPU-NBC在数据分类中也能很好的起到加速作用。实验证明GPU不仅可用于高性能计算机中进行加速也适用于中小型实验室中的高性能计算。