微波成像技术是以电磁波作为探测手段，不受天气和光照限制，全天时全天候获取被探测目标的散射特征和相关信息的对地探测技术。其成像体制和信号处理受到奈奎斯特采样定理的限制，在当前的研究发展中，存在系统实现困难、成像算法复杂、海量数据存储和传输困难等瓶颈问题。稀疏微波成像正是为解决上述问题而提出的新理论、新体制和新方法。它将稀疏信号处理有效地应用于微波成像，在降低采样率和数据量的情况下，实现无模糊成像。　　稀疏微波成像的各类算法中，阈值迭代算法因其准确、稳定的特性被广泛使用。由于实现过程中需要多次迭代，计算量明显增大，基于该算法的稀疏微波成像程序运行时间较长，亟需进行加速。近年来，图形处理器(Graphic Processing Unit，GPU)得到了快速发展，以GPU为数据并行计算设备的统一计算设备架构(Compute Unified Device Architecture，CUDA)自推出后，已广泛应用于医学图像处理、天文计算、流体力学模拟等领域，获得了几十乃至上百倍的加速比。将GPU并行计算应用于稀疏微波成像中的阈值迭代算法的实现，能够加快程序运行，缩短成像时间，提高效率。　　本文的主要研究内容如下:　　1.介绍了基于线性调频信号和步进频信号的稀疏微波成像模型及典型的恢复算法。分析上述两种信号源的稀疏微波成像模型，构建与之相应的观测矩阵，并通过实验比较正交匹配追踪(OMP)算法和阈值迭代算法的稳定性，确定以阈值迭代算法为对象，开展后续的并行处理研究。　　2.针对阈值迭代算法的特性，分析矩阵乘法和排序运算的并行性，实现了基于CUDA的阂值迭代算法并行化。仿真实验和星载原始数据成像的结果证明，基于GPU的并行程序能够高效准确地重建信号，与基于CPU的串行程序相比，有几十至上百倍的加速比。　　3.针对阈值迭代算法中耗时最大的矩阵乘法，实现了基于CUDA的并行优化。以粗粒度并行为基准，分别从线程分配，CUDA策略和多GPU运行三方面进行优化，通过仿真实验测试各优化策略的效率提升。比较得知双GPU模式下的CUDA策略优化有70％的效率提升。