线性判别分析(Linear Discriminant Analysis,LDA)是模式识别中经典的算法之一,在对数据进行特征提取的同时,能够最大程度的保留原始数据的分类信息。随着互联网数据维度的增高和数据量的加大,LDA算法对计算速度、精度等方面有着更高的要求,传统的基于单机多核CPU的并行计算模型已经不能满足计算速度方面的要求,并且计算代价过高。而近些年出现的GPU通用计算相比于传统计算,拥有高并发、低功耗等优点,本文结合GPU高性能硬件,提出了一种基于CPU-GPU异构计算的改进LDA算法,主要完成的工作如下:(1)本文提出了一种基于CPU-GPU异构计算的矩阵块Hessenberg归约算法。LDA算法的计算瓶颈之一是求解散度矩阵的广义特征问题,而求解广义特征问题的Hessenberg归约算法步骤时间复杂度高,计算时间长;此外,Hessenberg归约算法在矩阵分解与矩阵特征问题领域有着重要的意义,因此本文将该问题作为研究重点之一。本文将基于矩阵块的Hessenberg归约算法进行任务分解,采用CPU-GPU异构计算的方式,加速了LDA算法的广义特征值求解过程。(2)本文针对广义特征向量求解问题,提出了一种基于CPU-GPU异构计算的特征向量回溯算法。该算法包括两个部分,一是由Hessenberg矩阵的特征向量回溯对称矩阵的特征向量,而是由对称矩阵特征向量回溯广义特征向量,本文分别对这两个部分进行了加速算法的设计。(3)除广义特征值问题外,构建类间和类间散度矩阵也是LDA算法的计算瓶颈之一,本文针对该求解步骤,设计了基于CPU-GPU异构计算的加速算法。实验表明,相比于单核CPU,本文提出的基于异构计算的改进算法有着最多102倍的加速比,而相比于八核CPU,该算法有着最多20倍的加速比。