雷达的基本任务是探测感兴趣的目标,测定目标的距离、速度和方位等参数。为了适应日益复杂的外部电磁环境以及多变的自然环境,完成不同感知任务,具备多种工作模式的多模式雷达成为现代雷达的必然趋势。随着需求的不断增加,要求雷达能够在严酷的运行环境下实现对目标的精准探测和识别、快速完成高分辨率成像等,这就需要雷达在极短的时间内处理大量的数据,对信号处理的准确性和实时性提出了更高的要求。传统处理器已经无法满足雷达信号的实时处理需求。而CUDA技术的发展使GPU能够方便、高效的实现通用计算,为雷达信号的实时处理提供了新的解决方案,将GPU应用于雷达信号处理领域是当前的一个研究热点。本文源于实际工程,研究基于GPU的多模式雷达信号处理算法并行实现技术,其模式包括合成孔径雷达、PD雷达、准连续波雷达、简单脉冲雷达和真波束雷达。在算法实现中,由CPU进行资源调度和逻辑处理,而GPU专注于并行度较高的信号处理,针对如下内容展开研究:利用流和多GPU实现粗粒度的kernel级并行与任务级并行:基于CUDA多流技术实现多个通道回波信号的并发处理,合理利用GPU计算资源;利用K80的双GPU特性,实现多个任务同步处理。与传统的GPU实现方法相比,极大地提高了算法运行效率。在细粒度的并行实现方面,从减少全局内存访问次数、增加算法并行度、合理使用算术指令等方面进行分析,并针对不同处理模块给出优化方案。最后对matlab仿真的目标和实际场景进行并行处理,与Matlab的仿真结果对比,验证了该方案的可行性、准确性和实时性。实验结果表明,基于本文所提出的GPU并行方案可以很大程度地改善多模式雷达的信号处理效率,相比传统的GPU实现,在成像、测速、测距上性能提升50%以上,满足实际应用中的实时性需求。