数字全息技术利用光电传感器记录数字化全息图,然后通过计算机对再现光衍射过程进行数值模拟,最终实现了记录物体的重建和再现。该技术具备成像光路简单、制作成本低、成像视野大、成像结果包含三维结构信息等优势,尤其是非接触性、无损性和定量性等特点,在细胞显微成像领域有广泛应用前景。但是数字全息的再现过程由数值重建和自动聚焦构成,涉及到大数据量、高复杂度运算,特别是自动聚焦过程需要重复多次重建和聚焦运算,因此传统基于CPU串行计算模式对数字全息图进行聚焦重建的速度难以满足生物医学工程应用中对于细胞实时观测的需要,而基于GPU异构并行计算平台的并行化计算模式是极具潜力的解决途径。但现有GPU异构加速方案极少是针对角谱重建算法提出的,且往往只进行数据并行化加速而缺少针对算法结构特点的优化设计导致GPU资源利用效率低。此外,大量方案利用CUDA平台实现限制其跨平台应用。为了解决上述问题,本文提出了采用开源且具有跨平台移植特性的OpenCL开放运算语言作为主要的GPU编程语言,利用GPU异构并行计算平台以数据并行和任务并行相结合的模式实现基于角谱重建的数字全息自动聚焦重建算法优化加速方案以进一步提高算法执行效率。具体而言,根据数字全息聚焦重建算法原理,从数据并行和任务并行两方面进行并行化分析,设计出整个聚焦重建算法的并行计算方案并编程实现,然后从CPU串行和GPU并行、GPU数据并行和GPU数据+任务并行、两个不同硬件平台下的CPU串行和GPU数据+任务并行对比、不同版本的GPU异构并行算法对比等四个方面开展了对比测试以验证加速方案的性能。实验结果表明:在两种不同的CPU+GPU硬件平台下进行OpenCL数据+任务并行聚集重建优化方案配置,都取得了良好的加速效果,分别最高可达48倍和59.7倍加速比。以NVIDIA公司GPU硬件平台为例,在单次聚焦重建过程中,针对不同分辨率的全息图进行聚焦重建,GPU数据并行和GPU数据+任务并行明显高于CPU串行的执行效率,最高分别可达21.8倍和25.9倍加速比;在多次聚焦重建过程中,GPU数据+任务并行方式相比GPU数据并行方式的执行效率明显更高,最高可达1.8倍加速比。由此可见,此GPU异构并行计算方案有效提高了聚焦重建算法的计算效率,且借助OpenCL的跨平台移植特性为数字全息成像技术进一步扩展到各个平台进行并行算法移植提供了一个范例,有助于推动数字全息技术在细胞实时观测方面的应用。