并行计算是一种针对大规模数据运算的有效方法。分布式机群和超级计算机是实现并行计算的两种方式,然而它们价格昂贵、专用性强,常常导致其应用性较差。最近几年,计算机图形处理器(Graphic Processing Unit, GPU)发展迅速,其数据密集型计算模式以及自身体系架构决定了它的并行计算特性,因此基于GPU的通用计算成为了高性能计算领域的热点研究课题。本文以基于GPU的大规模高性能并行计算为研究对象,提出用GPU解决高性能计算的问题,在对基本矩阵运算实施并行化求解的基础上,重点研究了基于机器学习的最小二乘支持向量机(LSSVM)模型的并行化方法,实际数据实验表明该方法能够大大提高模型学习的效率。为将该方法应用于工业实际,本文针对冶金工业企业中的副产煤气系统的实时预测问题进行了研究,建立了基于最小二乘支持向量机的回归预测模型,并对模型参数加以优化。针对传统参数优化方法计算速度慢、不能满足在线预测要求的问题,应用基于GPU并行的计算,实现了煤气系统预测以及预测模型参数的在线优化,提高了预测精度。通过上海宝钢能源中心的实际煤气数据仿真,证明了所建的动态参数优化预测模型良好,基于GPU的并行计算速度快、效率高,其并行计算速度相比传统CPU串行计算加速比可超过70倍,满足了实时在线预测的要求,使GPU并行运算真正应用于实际生产当中。