本文课题产生背景源于卫星图像的低层处理中，如模板卷积等基础计算需要大量循环处理，但同时要达到实时或接近实时的处理速度这一目标，这对像素尺寸巨大的卫星图像而言，是个极为现实的难题。本文采用的解决方案是利用当前比较成熟的并行计算模型，尤其是利用显卡的GPU处理能力，来帮助加速。本文研究了三类并行编程模型的实现方法，分别是基于CPU上多核并行处理的并行库OpenMP平台；基于GPU上多线程处理的并行模型CUDA平台；以及可以在CPU上和GPU上跨平台实现并行处理的并行标准库OpenCL平台。比较其异同，分析其相应的特性与实现过程中的关键点，并以流程图方式提炼出一个图像处理在三类并行平台上进行实现的规范。本文的实验是将图像处理中的图像增强、图像还原、图像分割三个环节中的不同算法运用到这三个并行平台上，通过对实验数据的总结，得到如下结论：在基于多核的OpenMP模型上加速效果提高了50%~90%，而基于GPU上的CUDA模型和OpenCL模型的加速效果则提高了几十倍，极端情形出现数百倍的例子。针对课题背景的真实运用需求，本文设计了一个完整的验证流程，将接近2.5GB的一张原始卫星图像进行分块后，分别放入本文设计的三种并行计算框架中，串行的进行了中值滤波算法处理，利用一张当前的低端显卡，采用OpenCL获得了19.07倍的最好加速比，充分体现图像处理并行加速的研究意义，具有实用价值。而实验方法由于具有通用性，可被广泛应用到其他各种与图像处理相关的领域中，从而促进更多产业的发展。