可编程图形处理器(GPU)具有强大的并行计算能力，统一编程架构(CUDA)的出现更是给GPU完成大规模计算赋予了灵魂。随着GPU在数据计算中重要性的提高.遥感图像的GPU并行处理技术逐渐成为研究热点。但由于传统的GPU并行处理流程与遥感图像数据特点、算法特点的适应性问题，导致传统遥感图像GPU并行处理流程存在瓶颈。为了解决这些瓶颈问题，本文提出了一种遥感图像GPU并行处理流程的优化方法，并通过实验验证优化方法的可行性。最后给出了一个遥感图像GPU并行处理的通用流程。本文的研究既解决了传统遥感图像GPU并行处理过程中的某些瓶颈问题，提高了图像处理的速度；又给出了针对不同类别遥感图像处理算法的通用遥感图像GPU并行处理流程，对今后的遥感图像处理算法GPU并行化的改造具有很大的参考意义。　　 本论文主要内容包括：　　 1．遥感图像并行处理技术综述：阐述了可编程图形处理器GPU的架构发展及现状，GPU在通用计算领域应用的发展现状，遥感图像并行处理技术的发展及现状，尤其是遥感图像GPU并行处理技术发展及现状。　　 2．传统遥感图像GPU并行处理技术分析：在调研GPU架构、编程模型的基础之上，对传统遥感图像GPU处理流程进行介绍，并结合遥感图像数据和处理算法的特点，对传统的遥感图像GPU并行处理技术中的瓶颈和适应性进行深入分析。　　 3．遥感图像GPU并行处理流程优化技术研究：对由于传统遥感图像GPU并行处理流程与遥感图像特点的适应性问题而导致的瓶颈问题进行深入分析的基础之上，给出一个适应于遥感图像数据特点和算法特点的GPU并行处理思路。基于上述的遥感图像GPU并行处理思路，对三类具备不同并行特征的遥感图像处理算法进行GPU并行化处理分析，并进行GPU并行化优化实验，通过实验结论，验证本文提出的遥感图像GPU并行处理流程的优化方法的可行性。　　 4．设计一个针对不同类别遥感图像处理算法的通用遥感图像GPU并行处理框架。　　 通过本文的研究可以得出结论：GPU在执行像素级数据并行处理问题时具有明显的优势，特别是对计算密集型的算法(如图像旋转算法等)加速效果更加明显。本文提出的遥感图像GPU并行处理流程的优化方法，对于某些像素级数据并行算法的效率提高切实有效。　　 在上述研究中，本论文获得的主要贡献与创新点为：总结与分析了遥感图像GPU并行处理技术的适应性及处理流程中的瓶颈。针对遥感图像数据特点及算法特点，提出了一种遥感图像GPU并行处理流程的优化方法，用以解决传统遥感图像GPU并行处理中的数据载入问题、I/O瓶颈及访存瓶颈。针对遥感图像数据特点及算法特点，提出了相应的遥感图像GPU并行处理流程。通过实验可以看出，相对于传统的遥感图像GPU并行处理方法，本文提出的遥感图像GPU并行处理流程在数据载入、数据存储及数据I/O等方面都更适应遥感图像的数据特点和算法特点，利用本文提出的优化技术，优化后的GPU并行处理算法得到了比较理想的并行效率。本文提出的遥感图像GPU并行处理框架，可望用于其它类型的遥感图像GPU算法并行化。