在如今电子侦察的情形下,相应的电磁场环境是令人难以捉摸的,传统的测向技术已经不能满足人们对于测向技术日益增长的需求。因此,拥有强大测向分辨能力和高精度能力的空间谱估计测向技术开始慢慢取代了传统的测向技术。在空间谱估计测向技术中比较典型的算法之一就是MUSIC算法,空间谱估计算法能够得到快速推广离不开MUSIC算法的帮助。当然,MUSIC算法也存在一些弊端,比如,MUSIC算法中的矩阵变换频繁,而且也不能对数据进行即时处理。因此,人们为了能够让MUSIC算法实现最大化的使用效率,进行了很多关于MUSIC算法的高效实现的方法研究。本文分析了 MUSIC算法在实现中遇到的瓶颈问题并根据MUSIC算法的基本特征对其性能进行详细分析和优化,采用并行处理的方式对算法进行改进,结合具备优异并行处理能力的硬件平台GPU,将MUSIC算法在CPU+GPU平台上联合实现。最后,把MUSIC算法优化前后的时间以及运算效率通过加速比和并行效率的数值进行比较与分析,最大程度上实现了 MUSIC算法的效率的优化。本文的主要内容如下:1.根据MUSIC算法的基本原理和基本流程,制定了 MUSIC算法初步的改进方案。在这个初步改进方案的基础上,选取9元阵空间谱作为本文的研究对象,结合9元阵空间谱运算的总时间和各个主要部分所占总时间的比例,分析MUSIC算法在运算过程中的一些瓶颈问题。2.算法性能提升离不开硬件平台,本文论述了硬件平台FPGA,FPGA+DSP和GPU三种不同平台上实现MUSIC算法的优势和弊端,根据GPU平台内部结构及其加速原理等其他平台不可取代的优点,最终选取具有优异并行能力的GPU平台作为MUSIC算法的硬件平台。3.利用一个重要的框架—基于GPU平台的CUDA框架,CUDA框架协同处理的异构模式以及CUDA独特的存储模型和编程模式能够给MUSIC算法的优化带来极大便利。根据CUDA框架的优点将MUSIC算法的从CPU平台中Matlab语言环境中移植到CPU+GPU平台上,以CUDA框架为基础的C语言环境中进行运算,利用加速比和并行效率对MUSIC算法初步优化前后的性能进行分析。4.根据MUSIC算法的时间资源以及瓶颈问题的分析,讨论关于MUSIC算法优化方案。首先通过MUSIC算法的运算过程中的时间资源情况中了解SVD中矩阵的计算量巨大,分析SVD中可以并行的部分,采用并行运算的方式进行计算来提高计算效率。然后分析此算法中寄存器的使用情况,通过合理分配寄存器来减少数据之间不必要的交互从而提高算法的加速比。最后,查找算法中能够组成流操作的部分,即将一些分散的操作整合为一个流,接着可以将多个流进行异步并行实现,最终再分析算法的性能。通过上述三个不同阶段的优化之后,最终对MUSIC算法的性能进行总体比较分析,通过将优化前后MUSIC算法的运行时间,加速比和并行效率的数值进行比较,分析MUSIC算法的性能提升情况。