进入二十一世纪以来，随着科学技术的不断发展，传感器技术取得了长足的进步。测量获取被测物体影像信息的方法也更加多样化，多传感器测量，不同角度测量，大重叠度测量都是当前遥感技术发展的趋势之一。航空、航天影像的高分辨率、大重叠度，致使影像数据量不断增长，海量数据处理已经成为一种趋势。普通的计算机受限于其存储和计算能力，在海量数据处理面前已经力不从心，使用CPU串行处理的生产方式已经难以满足海量数据的高效生产需求。　　而GPU的高性能并行计算能力和可编程性则在不断发展，为数字摄影测量中一些算法的并行化提供了很大空间，CUDA的推出更是为GPU在通用计算领域的发展提供了强有力的支撑。本文旨在研究基于GPU的并行计算技术进行影像预处理、影像增强与影像匹配，搭建GPU并行处理平台，将GPU作为核心处理设备，基于CUDA4.0软件开发环境，研究影像数据的GPU并行处理，以此来实现数据的高效处理。　　本文的研究选取了PixelGrid系统中影像预处理算法、Wallis滤波算法、影像匹配算法作为研究对象，研究以上算法的GPU并行处理设计，着重于算法在GPU中的并行实现方法，并基于GPU进行了性能优化，以此来提高影像处理算法在摄影测量处理系统中的执行效率。论文完成的主要工作和创新点如下:　　1.简单介绍了并行计算平台的相关历史和发展趋势，对数字摄影测量影像数据并行处理的基本模式进行了归纳。系统的论述了GPU的硬件体系架构，CUDA软件编程模型，以及CUDA程序的优化，给出了论文研究所采用的实验平台。　　2.提出了一种影像预处理GPU并行算法，将影像的旋转、畸变差改正通过GPU进行并行处理，在重采样操作中，利用GPU进行细粒度并行处理，并根据算法的特点和GPU的体系架构，优化了任务划分与执行配置方案，充分发挥GPU的并行计算优势。　　3.提出GPU加速的Wallis影像增强并行算法，算法中加入基于GPU的自适应平滑滤波，利用GPU强大的并行能力，实现了Wallis滤波以及影像自适应平滑的GPU并行处理，在算法中运用了共享存储器对速度进行优化。　　4.提出了一种基于GPU的Harris算子影像匹配并行处理方法，在GPU中完成对影像的灰度化、Harris角点提取，重采样、灰度相关匹配，并从线程分配、内存使用、共享存储器(sharememory)等方面进行优化，充分的发挥出GPU的巨大并行计算能力。实验结果表明，该方法与CPU串行处理方法相比，其速度得到了明显提升。