当今的图形硬件(GPU)有着高度的并行性和很高的存储带宽,这使得GPU比CPU更适合于流处理计算。随着GPU性能和可编程性的提高,基于可编程图形硬件的通用计算成为近些年来图形学领域研究的热点。以往的研究大都针对某一类具体问题,缺乏一定的通用性。而NVIDIA的CUDA通用型很强,却只能在NVIDIA的8800上的显卡上运行。本文从图形硬件发展的历史开始,介绍和分析GPU编程模型和数据结构,以及最新GPU在通用计算方面的应用及其技术原理和发展状况。文章提出了一个利用GPU来加速游戏中矢量、矩阵之间基本代数运算应用程序框架。并且给出了在游戏中应用该框架加速渲染水面和人工智能计算的例子。富有挑战性的人工智能可以大大提高游戏的可玩性,给游戏玩家更高一层的浸入感。以往的人工智能计算大都由CPU来完成,随着人工智能算法复杂性的提高,CPU变得不堪重负。利用GPU计算人工智能是一个可行的方案,既可以均衡负载,又可以提高计算速度。本文实现框架在游戏中有着广泛的应用,利用它可以加速游戏AI逻辑的计算,也可以求解微分方程,在游戏中实现基于物理的水面。本文算法的主要贡献和创新点在于如下工作:本文实现了一个使用GPU计算向量、矩阵代数运算的通用框架,利用纹理表示向量、矩阵等数据结构,完全在GPU上运行。该框架封装了GPU的实现细节,在图形硬件和应用程序之间形成一个抽象层,具有很强的通用型。并且,利用shader model3.0的最新特性,最大限度减少GPU和CPU的通信,改善整体性能。利用GPU加速游戏AI逻辑的计算,能够在游戏中实时进行人工神经网络的测定和训练。利用文章实现的框架求解了二维水波方程,实时渲染出真实感非常高的二维水面。为在游戏中实现基于物理的水面提供了一个可行的方案。对GPGPU的发展前景作出了展望。