近年来,随着高性能计算的发展,在超级计算机上进行数值模拟逐渐成为解决大规模科学与工程问题的重要手段之一。图形处理器GPU除了在处理图形计算上具有优势外,也逐渐被应用于密集数值计算上。同时,计算流体力学随着数值技术、并行技术和超级计算的发展,已经逐渐成为研究流体力学的支柱之一。格子玻尔兹曼方法是一种基于介观模拟尺度的计算流体力学方法,通过对大量离散粒子的统计分析从而得到宏观状态下流体的运动规律,已经广泛运用于能源、化工等领域的流体力学计算。但是由于其计算能力的限制,非常需要进行并行计算设计。基于GPU的并行研究已经在计算流体力学领域展现出了巨大的潜力。本文首先详细分析了LBM算法的公式演化过程,以及相关离散的数学模型,之后介绍了GPU的硬件架构,以及适配GPU的CUDA编程模型。在此基础上设计了LBM算法的并行优化策略。本文的主要工作内容如下:（1）LBM算法的热点分析。本文测试了三维方腔流动模型的计算热点,详细分析了热点计算过程与计算任务。测试结果表明,LBM算法的迭代过程有两个主要热点:碰撞计算与迁移计算。（2）LBM算法的GPU优化。结合GPU架构的特点,对碰撞和迁移两个主要计算部分分别进行了并行优化。在碰撞计算部分的优化中,通过地址映射以及共享内存分配的方法将计算任务分配到GPU的计算单元中。迁移计算部分由于存在数据依赖,无法直接并行。文中详细解析了迁移计算数据依赖的形成原因,之后通过模型降维、数据定位、区域划分的方法重排了数据读取的方式,成功消除了数据依赖造成的影响。经过测试,本文设计的算法具有良好的并行计算效率,在1.3亿网格下能达到1.92倍的加速比。通过改变网格大小,测试了不同计算规模下算法的性能,结果显示算法具有可扩展性,在不同的计算规模下都能获得较好的性能表现,具有良好的可伸缩性。（3）LBM算法的GPU优化在电对流模型中的应用。电动力学作为非接触驱动流体运动的一种形式,已经在计算流体力学研究领域引起广泛关注。方腔电对流作为经典的研究模型,对其并行设计研究能够为电动力学的计算提供案例。模型中需要解决的NS方程、NP方程、Poisson迭代方程均可使用LBM算法求解。本文对模型中三个核心计算方程分别设计并行算法,并测试了程序计算效率,在512~3网格时能达到1.52倍加速比。本文并行优化策略能够提升源程序在不同计算规模下的算法效率,表明算法能够应用在相关的流体计算模型中,对于其他LBM算法流体模型的并行计算具有研究意义。