随着卫星成像技术的日渐成熟,采用人工智能技术对卫星遥感图像进行识别成为了研究热点。然而,卫星遥感图像具有成像分辨率高、幅面尺寸大、实时性要求高等特点。因此会存在卫星图像成像速度和识别速度慢等问题,当图像识别速度远小于图像成像速度时会导致图像数据的丢失。反之,则导致卫星资源的浪费。因此,如何在保证卫星图像成像质量并提高识别速度的同时,提高卫星资源利用率成为是本文需要研究的课题。本文设计了一个面向图像的分布式并行处理系统,并详细阐述了该系统涉及到的理论基础、设计方案、实现过程和测试分析。本文完成的主要工作如下:1)异构平台下的卫星图像融合:在异构平台下分别通过CPU和GPU进行卫星图像融合。将相同的图像融合方法分别通过串行编程和并行编程进行实现,并行编程利用CUDA对图像融合方法进行并行化设计。比较两种图像融合方式在不同数据规模下的时间开销,选择更适合的卫星图像融合加速方式。2)自适应加权阈值调度算法:设计并实现了自适应加权阈值调度算法,对图像数据处理内存和图像数据传输内存进行了调节。该算法分为初始化、恒定、高负载、低负载四种状态。任务开启后,模块先进入初始化状态。当图像传输速度大于图像处理速度时,模块进入高负载状态,在内存充足的情况下增加传输队列容量。当图像传输速度小于图像处理速度时,模块进入低负载状态,减小传输队列容量。该调度算法力求提高卫星资源的利用率,平衡图像传输和图像处理的内存使用量。3)高并发低冗余存储模块:针对卫星图像数据的时空特性,设计并实现了以LSM-Tree为基础的高并发低冗余存储模块。该模块采用无中心节点的方式进行存储,并且通过共享前缀压缩算法对图片的Key值进行压缩存储。同时,该模块在每个数据块顶部增加索引信息,加速数据查询。最后该模块设计了两类垃圾回收算法来提高卫星存储资源利用率。一种是根据磁盘剩余空间阈值启动的定期删除策略,另一种是查询即删除策略。本文对整个系统进行了完整的功能测试和性能测试,测试结果表明系统成功实现了卫星图像融合加速;调度算法能够有效地自动控制数据传输和数据处理双方的内存使用;存储模块实现了数据的分布式存储,成功提高了磁盘的利用率。