深度神经网络已被广泛应用于各行各业,其中循环神经网络在时间序列预测,语音识别等方面具有很好的效果,根据实际应用设计出的模型比较复杂,循环神经网络中通常包含大量需要训练的参数,要训练出一个效果良好的模型,需要很长的训练时间。因此,如何提高深度学习方法在求解复杂预测问题上的性能是当前计算智能领域的研究热点。现有的循环神经网络预测方法,面对大规模的复杂计算问题具有挑战性,设计一种高效稳定的学习模型势在必行。为解决这一重要的问题,图形处理单元(GPU)已被用于加速学习模型的优化过程。本研究在GPU平台上提出一种集成聚合模型来实现循环神经网络的并行优化,并且进行光变曲线的预测。首先,对本文研究的循环神经网络进行分析,根据循环神经网络的特点选择合适的网络作为集成模型的子网络,并研究各种优化算法对模型收敛速度的影响,使得模型训练的计算量减少,提高训练速度,从而在不影响精度的前提下对模型进行优化。其次,对光变曲线的获取和处理做了深入研究,对数据进行采样、数据增强和特征工程使其更加符合模型要求,构造更显著的特征加速模型训练。然后对子模型进行网络优化,提高GPU利用率,从模型并行和数据并行的角度解决循环神经网络计算量巨大的问题,优化模型训练框架,将子模型聚合成集成模型进行并行训练。最后,根据设计的模型及优化方法在GPU平台上进行一系列的实验,研究使用单GPU训练和使用多GPU训练的加速效果,调整参数得到最优的子模型,使用集成方法得到最优的集成模型。综上所述,本文工作以天文光变曲线为研究对象,采用循环神经网络模型作为子学习器,搭建多层深度学习模型并聚合成集成模型,在实现光变曲线预测的同时大大提高模型训练速度,研究提取时间序列特征的方法和优化训练相关算法,通过对基于GPU的并行循环神经网络的设计与实现,进行一系列实验来评估并行加速学习方法的性能,使用多种模型评价方法进行度量。证明本文所使用的模型在不损失预测精确度的情况下能够提高训练效率,验证本文提出方法的合理性和实用性。