大规模的人群仿真在电影特效、电脑游戏等有大量的应用,但是人群规模达到一定数量后很难实现其实时性,单纯依靠串行算法进行大规模人群仿真已经无法满足当前各种应用的需求,而近几年,GPU在并行计算能力上表现突出,具有很强的运算能力,人群仿真中个体相对的独立性,使得其天然的适合采用并行计算。基于上述原因,本文在GPU用于人群仿真方面做了一些初步的研究,得到了比较好的反馈。本论文包括两个研究部分:第一部分是并行化的运动路径匹配。对于给定的一条路径,本文算法从运动数据库里选择合适的运动片断序列,然后拼接成连续的一段运动,使得该运动的运行轨迹近似于路径的轨迹。在此模块中涉及到运动数据库的建立,场景路径的生成,本文会分别在第二章,以及第三章中进行详细的描述,介绍运动的设计,运动数据的捕获,以及路径的生成。最后分析整个匹配算法的过程,及相应的并行计算的方法,并给出性能对比。第二部分是并行化的人群仿真,能使得上千人在一个场景中沿着一条路线比较流畅的行走,而避免相互之间的碰撞,以及与周围障碍物的碰撞。为此,本文建立了一个简单的agent模型,采用三种力来模拟现实中人群对外界的反馈,包括路径跟随力,障碍物避让力,agent碰撞规避力。基于该模型,本文采用并行化的人群仿真算法,包括场景的分割,近邻查询,人群agent速度的更新这几个方面,采用基于CUDA的GPU编程模式,加快在仿真中的大量计算,最终达到了比较满意的效果。