高光谱遥感是观测地球的一种重要手段,但碍于传感器精度的限制,通常情况下探测器检测到的数据中往往包含了多重地物信息,这些混合在一起的信息就组成了混合像元。混合像元的存在制约了高光谱图像处理中分类精度的提高及目标探测的准确性。基于线性光谱混合模型解混中最重要的一步就是端元提取。传统的端元提取算法如N-FINDR,VCA等算法,都无法适应数据量巨大以及噪声较大的高光谱图像,并且缺乏信息反馈机制。离散粒子群端元提取算法可以解决上述问题,但离散粒子群端元提取算法仍具有计算效率太低的缺点。近年来,GPU被应用到了高光谱图像处理上,并表现出了良好的性能。因此,我们可以将基于GPU的并行设计用于离散粒子群端元提取算法。本文结合GPU/CUDA架构,采用了基于离散粒子群的高光谱端元提取的并行处理算法。针对DPSO算法中含有大量矩阵运算,例如矩阵乘法、矩阵求逆、矩阵求和等在CPU上耗时较高的部分借助CULA库、CUBLAS库以及编写相应的核函数,进行了并行化处理。通过实验,对比个人PC端上串行和并行的版本,加速比可以达到2倍。与此同时,进一步研究了影响算法迭代收敛次数的因子,通过实际实验研究,找到既能满足时间要求又能保持良好提取精度的参数优化策略,并加上了预处理步骤。通过Tesla K20平台基于GPU/CUDA架构的G-DPSO实验表明,基于GPU的并行优化方法能复杂度高、数据量大的高光谱图像端元提取技术效率,可以达到准实时应用级别。