近年来,高光谱图像处理受到了大家的广泛关注,它的应用领域涉及了地球科学的各个方面。高光谱图像分类是高光谱遥感的一个重要研究方向。现有的高光谱图像分类算法大部分是基于空谱联合的,这些分类算法的计算复杂度较高,无法满足实时处理的要求。随着显卡相关技术的发展,GPU的计算能力不断提升,利用GPU高并行处理能力来提高空谱联合分类算法的运算效率已经成为一种有效的研究思路。然而,单GPU平台由于显存和计算资源的限制,数据处理规模和处理效率有限,有必要利用多GPU平台,实现更大规模数据的高效处理,更好地满足实际应用需求。本文研究了基于加权马尔科夫场空间先验的高光谱图像分类、基于残差神经网络的高光谱图像分类等空谱联合分类算法,在分析分类算法和高光谱数据内在特性的基础上,基于CUDA架构和多GPU计算平台进行了高光谱分类算法的并行优化设计,开发了高光谱图像快速精细分类系统,实现了高光谱图像的准实时分类,并通过真实高光谱地物数据集验证了本文方法的有效性和高效性。论文主要工作包括:1.提出了多GPU并行的高光谱图像空谱联合分类快速算法。深入分析了基于加权马尔可夫场空间先验的高光谱图像分类算法,该方法通过稀疏多项式逻辑回归对光谱信息进行建模,通过加权马尔科夫场对空间信息进行提取,取得了较高的分类精度。但由于高光谱图像数据量大,计算复杂度高,分类算法的运算效率较低,无法满足实时性要求。为了进一步提高算法的运算效率,本文首先构建了该算法的多GPU协同交互数据流组织图,然后设计了联合页锁定内存的多GPU流同步并行计算结构,并基于该结构在CUDA架构上完成了该算法的多GPU并行优化,提高了算法的执行效率,取得了较高的加速比。2.研究了基于残差神经网络的高光谱图像空谱联合分类算法,并结合cu DNN并行加速库进行了多GPU并行优化算法设计。本文在多路卷积网络的基础上,采用残差模块提取空谱信息,并对SS-CNN进行改进,简化了其网络结构并加入了归一化层来防止过拟合,最终通过浅层网络结构Res HSI实现了高精度的高光谱图像分类。为了提高网络的训练效率,本文采用cu DNN库搭建了Res HSI网络,并结合CUDA架构完成了该网络的多GPU并行训练。通过对真实高光谱图像数据的实验结果表明,本文设计的多GPU并行优化方法,能够实现网络模型的快速训练,分类精度高。3.在上述算法的基础,基于CUDA/MFC框架设计开发了高光谱图像快速精细分类系统。给出了软件系统框架、以及基于多GPU的加权马尔可夫场空间先验分类和基于多GPU的残差神经网络分类等核心模块的详细设计与实现,并在Pavia University和Pavia Center真实高光谱数据集上进行了测试和应用。