细胞神经网络(CNN)有着局部互联的结构特点，因此易于工程实现，被广泛应用于图像处理和信号处理等领域。人们通常采用专用硬件或CPU仿真来实现CNN，但随着网络规模的扩大和计算密度的增强，利用硬件实现不仅开发周期长而且开发成本昂贵，而利用CPU仿真的方法却存在计算时间过长的难题。基于CPU+GPU异构平台是未来计算机的发展趋势，可提高计算速度两个数量级，因此基于异构平台的CNN有望突破数值瓶颈，有着重要的学术研究价值和广泛的应用前景。　　 本文采用最新的异构计算体系，研究细胞神经网络的加速计算方法，在基于细胞神经网络的图像边缘检测应用中取得了数十倍的加速效果，主要工作如下：　　 首先，研究细胞神经网络的模型，并比较GPU和CPU各自硬件上的特点，分析采用异构模式加速计算细胞神经网络的可行性。其次，研究基于CUDA技术的Tesla架构GPU，为编程和优化提供基础。　　 然后，根据基于CUDA的GPU在硬件和软件体系上的特点将异构体系和细胞神经网络相结合，给出具体实现的方法。详细描述了如何分配CPU和GPU的计算任务、如何将CNN模型映射到GPU上、如何选取内存和如何处理边界点加速计算等问题，并将测试数据与传统的CPU实现数据进行对比、分析。　　 最后，根据前面得出的异构计算方法，将该方法应用到基于细胞神经网络的一个具体应用实例.图像边缘检测中，并根据应用中的具体处理方法，利用异构平台对算法进行优化，并给出了具体实现方法，结果表明该方法加速了基于CNN的图像边缘检测，并得到理想的效果。　　 本文在细胞神经网络异构计算上的研究，对快速并行实现细胞神经网络系统的建立和应用有一定的参考价值。