航天科学的发展使得卫星任务逐渐复杂,要求能够实时的处理星上载荷捕获的数据。本文以天文图像差异算法为例,在CPU-GPU异构嵌入式平台上开展了天文图像算法在轨实时处理研究。图像差异算法是时域天文学中用于搜索瞬态物体或识别具有时变亮度的物体的有效方法。通常天文图像差异法是通过拍摄同一观测区域的两幅对齐图像,计算两幅图像的一个空间变化卷积核,最后利用卷积核获得差分图像。通过系统地观察特定天空区域并追踪我们感兴趣的目标,可以获得大量有价值的观测数据。在现代天文学研究中,先进的宽视野望远镜被大量引入到长期和连续的观测中,这些海量数据集在数据探测和处理上对星载计算能力提出了更高的要求。因此,为了适应天文学领域海量数据趋势、提高算法的性能、满足在轨实时性处理的约束,本文提出了一种基于重叠保存的频域天文图像差异算法。该算法根据时域卷积定理,将算法中最耗时的时域内的卷积相减运算转化为复杂度更低的频域内的乘加运算,并利用重叠保存技术提高了空间变换卷积核条件下该算法的计算效率,降低了内存占用。另外,针对天文学项目中实时图像差异算法的需要,本文根据天文图像差异算法中每个子区域计算相互独立的特点,分析了基于重叠保存的频域天文图像差异算法的异构并行加速可行性。并在以上分析的基础上完成了该算法在CPU-GPU异构嵌入式平台上的详细并行设计方案以及实现方案。最后利用数据并行、任务并行以及内存优化等相关策略,对整个算法进行了优化。经数据表明,与原天文图像差异算法相比,基于重叠保存的频域天文图像差异算法既能够对更大的图像子区域进行拟合,也能够在保证减影后的图像精度的情况下,减少1.26倍内存占用,降低1.91倍算法复杂度,使得整个算法的处理速度提高了 1.213到1.46倍。另外,本文比较了在CPU计算平台上和在CPU-GPU异构计算平台上改进后的天文图像差异算法的处理时间。相比于CPU平台,本文所提出的基于CPU-GPU异构并行的频域天文图像差异算法在处理速度上提高了 1.79到2.48倍,基本满足了该算法在轨实时性处理的约束。在此异构并行计算系统内,基于重叠保存的频域天文图像差异算法既可以满足深空探测任务对于快速、实时的要求,也可以满足星载计算机低内存、低功耗的目标,为实现航天器的在轨自适应科学探测提供了可能。