随着医学影像技术的发展,基于不同成像机制的生物组织成像技术被广泛地应用于各种疾病的检测,以辅助医师进行疾病诊断和治疗。无损检测手段的微波热声成像（Thermoacoustic Tomography,TAT）方法融合了超声成像的高分辨率特性以及微波成像的高对比度特性,逐渐演变成为了新兴的并且具有巨大的发展潜力的医学成像方法。基于有限元方法（Finite Element Method,FEM）的微波热声图像重建算法通过数值方法求解热声波动方程,使用迭代的方式来进行图像重建,它不仅能够提供生物组织内部的结构信息,显示出病变组织的位置及形状,还能够提供生物组织内部与热声效应有关的物理参数。但是由于这种基于有限元方法的图像重建算法的计算量很庞大,随着有限元网格划分单元的增多,重建图像所需要的时间迅速增长,甚至要花几个小时才能完成一幅图像的重建,这严重影响了基于有限元的重建算法的研究和应用。随着科技的发展,人们日渐认知到计算的重要性,不管是在科学研究、科技发展还是日常生活中,计算的需求迅速增长,而由于物理条件的限制,仅仅是采用在单个处理器上来提升计算性能的方法,已经遇到了瓶颈,因此,人们提出了结合多种处理器来搭建高性能计算平台的策略。基于此策略,世界上出现了许多超级计算机,最高能达到每秒40万亿次的浮点计算能力,这大大超出了任意单个处理器的计算能力。为了解决基于有限元的重建算法运行时间过长的问题,本文从以下方面进行研究:1.结合中央处理器（Central Processing Unit,CPU）擅长处理逻辑复杂的任务和图形处理器（Graphics Processing Unit,GPU）擅长处理计算密集并行性高的任务的特点,搭建基于CPU和GPU的异构平台,并部署了基于统一计算设备架构（Compute Unified Device Architecture,CUDA）和Python语言的开发环境。2.研究基于异构架构的编程技术,包括数据存储优化、内存访问优化、数据传输优化、多线程并行、分块计算等加速方法。3.针对基于有限元方法的微波热声图像重建算法进行了深入分析和重新设计,提出微波热声吸收分布重建算法和热弹性模量成像算法的基于CPU和GPU异构平台的设计方案。我们设计了仿真实验对基于异构平台的算法进行验证,和进行计算性能的比较。在异构平台上,基于有限元方法的微波热声吸收分布重建算法相比于CPU获得了67.549的加速比,而热弹性模量成像算法则相比于CPU获得了16.36的加速比。