高光谱遥感借助成像光谱技术能够获取丰富的地物反射的光谱信息，这为像元级地物类型甚至亚像元级地物识别提供了可能。但是丰富的光谱信息同时也意味着高光谱数据量大、维数高，这给高光谱图像处理带来了巨大的挑战。波段选择可以在保留原始波段物理意义和缩小数据源的同时，提高高光谱图像处理的速度。但是波段选择开始之前必须要确定选择的波段数目，这可以通过虚拟维度来解决。另外波段选择本身具有一定的时间复杂度，分析大多数波段选择方法可以发现波段选择过程具有波段数据并行处理的特点，非常适合GPU并行计算。本文主要对波段选择的并行实现进行了研究，具体内容如下：首先，阐述了高光谱图像波段选择的背景及意义、国内外研究现状。然后对非监督的波段选择方法进行了较全面的分析。其次，介绍了CUDA的一些基本概念、CUDA存储器模型、CUDA存储器优化和指令优化，来说明如何在GPU上利用CUDA编程实现一些高性能算法，这为后续讨论基于CUDA的并行算法奠定了理论基础。再次，介绍三种波段选择方法，分别是基于最大信息散度的波段选择算法、基于高阶矩的波段选择算法和基于方差结合相关系数的波段选择算法。然后提出了两种波段选择算法，分别是基于信息熵结合信息散度的波段选择算法和基于小波变换估计信噪比的波段选择算法。通过实验结果分析各种波段选择方法对高光谱图像分类和异常检测的影响。然后，介绍了虚拟维度的概念以及基于虚拟维度的实现算法HFC，设计实现了基于CUDA的并行HFC算法，实验结果显示较之传统HFC算法，基于CUDA的并行HFC算法有明显的加速。最后，对提出的两种波段选择算法——基于信息熵结合信息散度的波段选择算法和基于小波变换估计信噪比的波段选择算法，分别设计实现了其相应的CUDA并行版本，实验结果显示基于CUDA的并行算法较之传统实现都有不同程度的加速，这为具有实时性、数据量大、计算复杂度高的特点的高光谱应用提供了巨大帮助。