图像处理算法的GPU加速是目前的一个研究热点。GPU以其多核、高带宽的架构特点能有效的加速那些可并行化的图像处理算法。特征检测算法是图像处理领域的一个重要组成部分，在智能监控、目标跟踪、图像检索领域等有着广泛的应用前景。而局部不变特征检测算法以其对仿射变换、光照变化和旋转的不变性使其能用于带有各种干扰的场合，得到广泛的重视和研究。目前比较流行的局部不变特征检测算法有SIFT、MSER和SURF。虽然这些算法各自都采用了高效的加速方法，但由于计算复杂度都太高，其PC实现远远达不到实时性能，从而使其实际运用受到较大的限制。本文探讨了如何利用GPU来对SURF进行加速，并进行实现。在本文中所使用的GPU平台为nVidia公司的高端产品GTX480。本文通过尽可能的发掘SURF算法内在的可并行性，并以数据流为基础将原有算法重新组织成完整的模块：积分图像、特征点检测、主方向计算和特征描述。此外本文在SURF并行化的过程中，着重于根据平台存储器资源优化存储器的访问效率，以减少存储器访问开销。本文的GPU加速SURF在GTX480平台上的速度较之原始的串行SURF在Intel Quadro8300@2.5GHz要快120倍左右，总体速度与其他GPU SURF实现速度相近。就模块而言，本文提出的积分图像构建算法比目前最快的GPU构建算法要快2倍左右；本文的GPU SURF检测与特征向量的提取速度与同类GPU实现速度接近；而本文的GPU SURF主方向计算则明显快于同类算法。对于尺寸800X640特征点数4000左右的图像，本文的GPU加速SURF的检测与描述时间大约为7ms，完全可以满足实时需求。