为了满足对传感器获取的海量遥感数据进行快速处理的迫切需求，本文研究利用基于GPU的通用计算技术，实现在CPU+GPU单机异构环境下不同遥感数据并行处理算法。论文完成的主要工作与创新点如下：1．简要总结并行计算平台的历史及发展趋势；详细论述了CUDA技术体系架构、编程模型、软件模型、存储器模型及性能优化的基本原则与常用策略；给出了论文研究所采用的实验平台。2．实现了一种基于CUDA的遥感图像快速几何处理算法。根据遥感影像几何处理计算密集型的特性，研究利用基于CUDA的并行计算技术，将几何处理运算中大量的重复性工作分配到GPU众多的计算单元上实现并行执行；通过充分利用CUDA架构下的寄存器、常数存储器、纹理存储器实现对全局存储器的最小化使用，实现了满负荷利用计算资源和有效缩减处理工作时间的目的。3．研究了基于GPU的SIFT特征匹配，提出了一种通过分块处理实现大面阵遥感影像快速匹配的方法。该方法首先采用鲁棒性强的随机采样一致性算法来估计待匹配影像间的单应关系并剔除误匹配点，然后通过单应关系找到待匹配影像间的重叠区域，进而实现大面阵遥感影像的分块SIFT特征提取和匹配。4．实现了一种基于CUDA的数学形态学LiDAR点云数据滤波算法。在传统数学形态学LiDAR点云数据滤波方法的基础上，提出利用CUDA技术，实现CUP+GPU异构环境下LiDAR点云数据数学形态学滤波算法，取得了可靠、高效的滤波效果。