高光谱传感器空间分辨率、光谱分辨率的不断提高以及对同一地物场景的连续观测,产生了大量宝贵的高精度数据,为高光谱数据的处理及应用带来更多机会。然而其巨大的数据量及算法复杂性的增加,也给其应用带来不少挑战。当前大部分高光谱图像处理算法要求计算系统具有快速的数据分析与处理能力,以及模块化的业务处理模式。光谱解混是高光谱图像处理研究的重要分支,也同样需要高效的并行处理算法和高性能的硬件加速技术来支持系统运行。基于CPU/GPU协同的细粒度线程级并行计算技术为加速光谱解混处理带来新的途径。本文围绕高光谱解混相关的快速处理技术开展了一系列研究工作,为进一步挖掘高光谱数据的应用潜能,拓展其应用研究领域奠定了基础;高光谱特有的快速图像处理理论的研究,具有一定的理论意义和研究价值。论文首先进行了高光谱解混算法可并行分析及细粒度并行化设计。研究从高光谱图像数据自身存储结构特点、典型解混算法处理过程中任务依赖和数据依赖关系入手,从算法并行化设计和硬件加速实现两个层面进行分析研究,研究了不同粒度下,硬件自身属性、算法特性和数据规模及存取方式等因素对高光谱图像解混处理算法并行化实现性能影响规律。为解决特定算法性能优化空间不明确问题,引入PCAM(划分-通信-组合-映射)设计思想,将高光谱数据存储结构、数据传输方式(同步/异步)、细粒度线程分配、算法计算复杂度等因素联合考虑,提出了CPU/GPU协同计算模式下基于小波神经网络的高光谱数据、算法和硬件“三位一体”算法加速性能分析评估模型,为取得全局最佳加速比提供了科学依据。接着重点研究了高光谱解混预处理及相似度量算法快速处理。前者用于高光谱数据快速降维处理,后者在解混精度分析中采用。高光谱数据降维处理中,重点研究了基于主成分分析的高光谱数据快速降维处理技术,采用基于CPU和GPU混合并行技术进行算法并行化设计和实现。针对主成分分析算法中最耗时部分,分别采用QR迭代和NIPALS法进行特征值和特征向量的求取,当提取主成分数目较少时,NIPALS法效率较高。为保证提取的主成分间的正交性,提出了一种基于Gram-Schmidt正交变换的NIPALS-PCA改进算法,在不明显增加计算量的前提下,使得提取主成分间保持正交性。光谱相似度量算法快速处理方面,分别对欧式距离、光谱角匹配、光谱信息散度以及它们之间的组合度量尺度算法进行并行化设计与实现。为提高光谱匹配的精度和速度,提出了基于核变换的KSAM-SID组合光谱度量算法,在保证匹配效果的前提下,采用GPU进行加速实现,提高了算法执行效率。上述工作为高效光谱解混链路快速实现奠定了基础。在上述研究基础上,围绕面向GPU加速的高光谱解混算法及其并行化设计及验证开展研究工作。高光谱解混算法并行化设计中,以伯克利并行设计模式为基础,结合高光谱图像数据三维立方体存储格式、算法处理过程中按像素排列依次处理以及GPU单指令多线程体系结构特点,设计了面向光谱解混处理的GPU加速算法实现框架。重点研究了线性光谱混合模型下基于空间几何结构的端元提取算法以及全约束最小二乘丰度估计算法的并行化设计。将不需要降维的凸面单形体体积计算理论引入N-FINDR和SGA算法中,结合VD和HySime的初始端元数目确定方法,构建了一种新的基于线性光谱混合模型的自动近实时光谱解混算法;同时为加快实际应用中处理速度,提出了满足一定计算精度条件下,基于GPU的细粒度并行优化策略;为降低端元提取算法计算复杂度,从行列式分解计算入手,引入分块行列式计算来降低算法复杂度,实现了快速自动高精度光谱解混。最后,在完成高光谱解混链路快速实现基础上,结合应用评价CPU/GPU协同模式下高光谱图像解混处理算法并行实现的效果。从计算精度、加速效果及硬件性能发挥等方面验证了方法的合理性、有效性,并进一步进行了算法改进和程序优化。