摘要：随着地理信息系统技术、遥感技术、计算机技术以及信息技术的快速发展,以多种技术结合为手段,从海量的实时数据源中提取有用信息,用以解决资源管理配置、城市规划管理、土地信息管理、生态环境管理、基础设施建设、交通规划等问题。然而,对于海量数据的处理,其运算量相对于一般的处理来说会有几百到几千倍的增加,不仅严重考验着计算机的数据处理能力,而且考验着算法设计在处理海量数据问题中的有效性。高性能计算技术突飞猛进的发展,给海量数据的处理工作带来了新的方向。多核CPU技术以及图形处理器(GPU)日益增强的可编程性以及高效计算能力,促进处理方式的巨大变化,由以往的CPU端编程处理,逐渐过渡到CPU+GPU异构编程处理,再发展到分布式处理,以及云计算。处理方式的改变带动了处理效率的提高,并由以往单一的计算机到现今多台计算机同时计算,同时实现了事务处理的均衡分配,可有效的利用各种计算机资源以提高处理效率。本文中结合GPU并行计算技术,探讨如何利用GPU存储器特点完成对海量数据的处理任务,以取得较好的加速效果。本文所做的工作有如下几个方面：1、针对海量遥感影像数据的切分与调度问题,提出了基于CPU+GPU异构编程快速处理影像数据的解决方案,探讨利用不同的GPU存储器实现遥感影像数据的重采样处理。基于GPU并行技术的影像处理,应考虑到算法的设计和处理任务的划分,合理的划分线程,实现并行执行优化、存储器优化、指令使用优化,以提高整体的处理效率。阐述了统一计算设备架构(Compute Unified Device Architecture, CUDA)通用计算模型构架及其特点,并在此基础上实现了对于遥感影像数据的重采样加速。2、提出GPU并行处理空间聚类中复杂的数值计算问题。以二部图空间聚类算法为例,依据聚类中数值计算的特点,以及GPU并行结构和硬件特点,探讨合适的并行处理方式,采用全局存储器、共享存储器加速技术,提高了数据的处理效率。实验结果表明,基于GPU并行计算比CPU串行计算在效率上有显著的提高。图14幅,表7个,参考文献47篇。