随着卫星遥感技术的飞速发展,高分辨率遥感影像数据获取量呈爆炸式增长,并逐渐表现出宏观性、多源性、真实性、实时性和海量性等大数据特征,各应用领域对遥感影像数据处理实时性的需求也越来越高。应用的无限需求推动着多核并行、集群并行和异构并行等计算模式在遥感影像处理领域的应用。凭借硬件架构的优势,CPU+GPU混合异构加速平台在遥感影像处理领域备受青睐,并在实际应用中取得了良好的加速效果。但在利用GPU加速遥感影像处理时还存在一些待解决的问题,包括GPU异步流是否能够进一步提高加速性能,以及如何对GPU异步流在实际应用中存在的冗余耗时问题进行优化等。本文针对上述问题做了以下工作:1.针对GPU异步流在遥感影像处理中的应用问题,提出了一种基于GPU多流并发并行模型的归一化差分植被指数(NDVI)提取方法,并通过对比实验验证了所提方法的高效性。本文对GPU多线程并行模型和GPU多流并发并行模型这两种典型并行模型的加速模式和执行特性进行了理论分析,并分别基于两种GPU并行模型实现了并行NDVI提取方法,同时进行了对比实验。实验结果表明,GPU异步流在加速遥感影像处理时更为高效,并具备良好的可扩展性。2.针对GPU异步流在加速遥感影像处理时存在的冗余耗时问题,提出了一种基于存储结构的优化方法。基于对GPU异步流执行特性的理论分析可知,合并零散的GPU异步流任务可以有效减少GPU异步流执行过程中冗余的固定代价和调用间隙耗时。基于上述分析,本文提出了一种适用于GPU异步流的遥感影像合并存储优化方法,该方法可有效减少多GPU异步流在执行过程中的冗余耗时。3.针对GPU异步流在遥感影像处理中的高效应用问题,本文结合上述两部分研究内容提出了一种基于GPU异步流的遥感影像动态自适应加速方法。提出的动态自适应加速方法可根据GPU设备硬件参数和待处理遥感影像数据的信息,动态地获取适用于GPU异步流和计算任务之间负载均衡操作的动态加速参数。基于动态加速参数,提出的动态自适应加速方法可以动态地对遥感影像处理任务执行负载均衡操作,简化GPU异步流配置并充分发挥GPU异步流的执行性能。实验结果表明,所提动态自适应加速方法具备高效性和良好的可扩展性。基于理论分析和实验结果可知,GPU异步流在遥感影像加速处理领域有较好的应用前景。本文针对GPU异步流在加速遥感影像处理时的若干性能瓶颈问题提出了有效的优化策略,并提出了两种基于GPU异步流的遥感影像加速处理方法。所做工作对GPU异步流在遥感影像处理领域的应用和性能优化研究具有一定的参考价值,并为后续研究工作的开展提供了相应的理论和数据支撑。