随着图形处理器（Graphics Processing Unit，GPU）技术的发展，GPU强大的浮点运算能力和并行处理能力使得它在非图形领域得到了广泛的应用。基于GPU的通用计算（General Purpose GPU，GPGPU）逐渐成为了研究的热点。NVIDIA公司提出了一个基于GPU通用计算的开发环境——计算统一设备架构（Compute Unified Device Architecture，CUDA），它针对GPU多处理单元的特性，能够通过并行计算提高大规模运算的速度。基于自适应滤波的自适应均衡技术在通信、雷达中已经得到了大量的应用。利用自适应滤波原理综合出的数字滤波器，对多信道接收机各个信道的增益失配与相移失配可以进行精确的信道均衡补偿，解决了多信道接收机的信道校准问题。在很多情况下，系统校准往往要求在尽可能短的时间内完成。因此，在保证系统精度的情况下，提高校准速度，减少校准所用的时间十分必要。而在系统校准的过程中，校准计算所用的时间占了很大的比重。如何有效的缩短校准计算所用的时间，有着十分重要的意义。GUP通用计算的发展和CUDA的出现为解决这一问题提供了有效途径。通过利用GPU强大的浮点运算能力和并行处理能力使得校准计算得以加速实现，不再成为系统校准的瓶颈。本文分析了GPU的特点、发展历程，以及NVIDIA公司推出的计算统一设备架构的软硬件编程模式。对基于自适应均衡的宽带多信道校准算法进行了学习研究。分别采用CPU和GPU用不同的方法实现了基于自适应均衡的宽带多信道校准算法。实验结果表明，在大多数应用情况下，提出的方法相对于CPU方法在运算速度上有明显的提高，但在有些情况应用下有不同程度的下降。这同时体现了CUDA的优势和局限性。通过对不同方法的分析比较，最后选择的方法应用在宽带多信道校准中，大大提高了计算的速度，提升了系统性能。