近十年来,我国的化学工业发展非常迅速。于此同时,化工企业事故发生数目和频率也大大增加。由于化工企业的生产过程中大量涉及到危险化学物质的存储、运输、处理等工艺过程,其事故后果有很大的危害性。在这之中,危险品大气扩散事故影响范围广,一旦发生将对威胁大量群众的生命安全和健康,是危险化学品应急事故研究的重点领域。但是大气扩散的物理过程复杂,数值模型计算量很大,普通的方法计算大气扩散事故难以同时兼顾高精确度和高速度两者,因而难以满足危险化学品应急事故现场的需求。在事故应急现场,事故源的具体参数受制于现场条件有可能无法直接观测的,而事故源的参数是否准确直接决定了后果预测模型是否能准确的预测事故后果。因此,研究能够使用现场观测资料对事故源具体参数进行反演的方法研究具有非常重要的意义。据此,本文的主要研究包括危险化学品大气扩散事故的后果预测方法研究和事故源参数反演方法研究两部分。首先,本研究将广泛应用于模拟大气扩散过程的高斯多烟团模型的计算方法进行了重新设计,通过烟团路径追踪和浓度场参考的技术减少了模型的整体计算量,降低了时间复杂度。随后将传统的逐网格计算浓度场方法改进为可以应用于大规模并行计算的架构。在此基础上,本研究引入了GPU和CPU异构混合并行计算架构——CUDA计算框架,将以上算法使用Python编程语言和C编程语言进行编程实现,开发了基于GPU并行计算架构的高性能高斯烟团模型——GAPS模型。GAPS模型的案例研究证明,GAPS模型具有传统多烟团模型无法比拟的高性能,可以在很短的时间内完成大范围,高精度浓度场的计算。在此GAPS模型的基础上,事故源参数反演研究首先阐述了基于马尔科夫链蒙特卡洛(MCMC)方法进行事故源参数的具体方法和实现。在对事故源参数反演的过程中,本研究使用了Gibbs抽样作为马尔科夫链的构造工具,实现了对事故源位置、泄漏时间长度、泄漏速率变化等参数的反演。随后将以上方法使用Python编程语言加以实现,为GAPS模型添加了基于GPU计算的高效的事故源反演模块GAPS-Rev。最后,本研究对GAPS-Rev模块进行了多种情形的案例研究,包括模型原理检验、理想事故情形检验和实例检验。在理想情形检验中,本研究设计了多种监测点布点方式。通过以上的案例研究,证明了GAPS-Rev模型可以有效的,其计算效率满足应急现场的时间需求,参数反演结果比较准确地反应了实际结果。通过对不同监测点布点方式即对应的反演结果进行比较研究,本研究讨论了监测点设置模式和监测数据对事故源参数反演的影响。基于上述工作,本研究得出以下结论：一,基于GPU并行计算的高性能大气扩散事故后果预测模型GAPS速度快,精确度高,其性能远远超出传统基于CPU计算方法的同类模型,能够满足现场应急需求。二,基于Gibbs抽样和MCMC过程的事故源参数反演方法可以有效的使用现场监测数据反演事故源的各项参数。三,基于GPU并行计算的事故源参数反演模型GAPS-Rev计算速度和准确度可以满足现场应急的需求。