信号重构是压缩感知技术的一个主要方面，它是通过求解一个高度非线性的优化问题，从一组线性观测数据中恢复出原始信号的过程。整个过程对硬件要求高，重构时间长，致使压缩感知技术无法在实际中被广泛应用。对此，本文采用GPU并行处理技术对重构端进行并行优化，旨在不损失重构信号质量的前提下，大幅缩短信号重构时间。数据并行处理是将数据映射到并行处理的线程上，多线程程序被划分为线程块，线程块的执行彼此间相互独立。利用GPU并行计算能够比CPU更高效地解决复杂的计算任务，GPU围绕流多处理器阵列组建，拥有比CPU更多的计算单元。本文利用这项技术完成下面三方面工作：首先，本文利用GPU，实现了OMP、ROMP以及CoSaMP三种信号重构算法的并行优化。分析了它们的主要耗时步骤：针对矩阵向量相乘过程，利用块算法在GPU上将其并行实现；针对矩阵广义求逆过程，运用谢尔曼-莫里森-伍德伯里矩阵求逆引理进行求解，并在GPU上将其并行实现。通过这种方式实现了这三种重构算法的并行优化。其次，本文提出了一种多粒度并行压缩感知重构算法。利用CPU-GPU协同并行处理架构，实现了任务级的粗粒度并行，同时保留块内数据级的细粒度并行。GPU负责主要数据计算任务，CPU负责流程控制，同时分担小部分的计算任务。实验结果表明，这种结构可以带来高达9倍的速度提升。最后，针对遗传算法在信号重构中的应用，为提高其重构效率，提出将解码及求解适应度过程利用GPU并行实现的算法。实验结果表明，并行带来1.7倍左右的速度提升。除此以外，针对这种应用，提出一种优化策略，即遗传过程中引入精英保留策略，重构信号质量有0.3dB左右的提高。