随着大规模并行计算技术的高速发展以及GPU硬件水平的不断提高,越来越多拥有并行化特点的算法在其并行化阶段运用到了GPU并行计算技术。而人工蜂群算法具有部分并行化的特点,在寻找最优解的过程中各个种群内粒子相对独立。本文在总结传统运行在CPU上的人工蜂群算法的基础上,提出了基于GPU的人工蜂群算法模型(PABC)。PABC算法的采蜜蜂、跟随蜂的邻域搜索阶段以及适应度计算阶段均运行在GPU内核中,利用人工蜂群算法中各个蜜蜂的独立性,达到并行运算的目的。PABC模型的数据初始化、随机数生成等数据组织阶段运行在CPU中,并增加了GPU和CPU之间的数据通讯。由于采用了CPU、GPU协同工作模式,PABC比传统ABC模型拥有更快的处理速度,并且可以在大种群的背景下表现优异。本文还进行了针对5个测试函数的实验对PABC模型进行论证。此外,本文将PABC模型分别应用到了Canny算子图像边缘检测算法和粒子滤波视频跟踪技术中。通过与传统Canny算子图像边缘检测算法的结合,由实验证明在不同的种群规模、迭代次数下,均能够提高边缘检测算法的执行速度。在PABC应用于粒子滤波算法时,由6个标准图像序列实验论证了改进后的算法在跟踪效果的稳定性、准确性和效率上均有较好的表现。