近年来，3D打印已经引起了学术界和工业界的广泛关注。相比于传统的制造工艺，3D打印在个性化定制方面具有性能和成本优势，目前已经在越来越多的领域得到应用。在3D打印中，支撑结构用于保证模型在打印过程的稳定性，从而保证3D打印产品的精度和表面质量。目前，对3D打印过程中的支撑设计、3D模型摆放等技术问题的研究尚不充分，并且缺乏并行化相关工作。本学位论文以数字光处理（Digital Light Processing，DLP）3D打印机为研究对象，对切片、3D模型摆放指向、支撑生成等问题进行了研究，并借助并行工具—图形处理器(Graphic Processing Unit，GPU)对问题求解过程进行计算加速。　　本文以提高DLP3D打印技术中支撑生成过程的计算效率为目标，重点展开以下三个方面的研究:并行化切片方法、模型摆放指向优化及其并行化方法、支撑生成算法及其并行化方法。首先，并行化切片方法的研究有助于加速切片过程，并为后续两个问题的研究提供了模型截面图形与图像数据。接着，本文对模型摆放指向问题进行了研究。最后，在两个前期工作的基础上，本文进行支撑生成问题研究。在研究方法上，本文在算法层面上利用并行遗传算法来优化模型摆放指向，并提出了基于截面图像数据的支撑生成算法，在硬件层面上应用GPU并行计算技术进一步加速问题求解的过程，提高问题求解的效率，具体研究内容如下:　　第一:并行化切片方法。本文在现有的切片算法的基础上，提出基于GPU的DLP打印技术模型切片过程的并行化实现方法。针对切片过程的不同算法，本文提出了不同的并行策略来合理分配计算负载，提高GPU利用率。实验结果表明，相比于CPU实现，本文提出的GPU并行切片方法在不同模型上能取得34倍左右的加速效果。实验结果验证了本文提出了基于GPU的并行切片方法的有效性，表明了GPU在切片应用中的巨大潜力。　　第二:模型摆放指向优化及其并行化方法。本文利用图形学方法建立模型摆放指向与打印时间、表面质量、支撑面积等优化目标的数学关系，给出了模型摆放指向的多目标优化问题数学模型，并提出了基于并行遗传算法的问题求解方法，最后应用GPU实现算法求解的过程。实验结果表明，在复杂模型摆放指向优化中，基于GPU的遗传算法实现相比于CPU实现能取得10倍左右的加速比，在保证解的质量的前提下，显著地减少了摆放指向优化问题的求解时间。　　第三:支撑生成算法及其并行化方法。本文将向下特征体支撑生成算法由图形域推广到图像域，并提出了该算法基于GPU的并行化方法，有效地减少支撑生成过程中的计算量，提高了算法效率。实验结果表明，本文提出的支撑生成算法能大幅减少计算时间，其GPU并行实现在复杂模型支撑生成上，相比于CPU实现能取得20倍左右的加速比。　　综上所述，本文主要研究以DLP为代表的3D打印技术的切片、模型摆放指向和支撑生成问题，对于其中的相关算法，本文提出的GPU并行实现方法能显著减少算法执行时间，提高问题求解效率，对促进3D打印过程的自动化和智能化有重要意义。