近年来,海量多源异构数据急剧增长,数据表现形式变得更加复杂。数据规模的不断增大,使得传统CPU硬件平台的存储和计算能力远不能满足应用需求。GPU的出现可使这些问题在一定程度上得到解决,但对于GPU底层硬件而言,很难实现全局同步操作。图数据具有灵活、强大的表示能力,图匹配作为图上的一种基本操作,被广泛应用于各个领域。研究基于GPU众核平台上的线程同步及高效、精准的图匹配方法,具有重要的理论研究意义及实际应用价值。本文基于GPU众核平台,研究线程块间的宽松同步机制以及不同评价标准下的图匹配方法,主要的研究内容如下:(1)GPU上线程块间同步问题的研究。目前GPU上线程块间的同步操作主要借助CPU实现,大量CPU与GPU之间数据的传输,使得此方法效率较低,不能满足某些对时间要求较严格的实际应用的需求。本文针对该问题,提出了一种基于信号量的GPU设备上的宽松同步机制,旨在实现GPU上线程块间的直接同步操作,可减少CPU与GPU之间频繁的数据传输,提升整体计算效率。实验中针对单源最短路径,验证了该宽松同步机制的有效性。(2)基于图编辑距离评价的图匹配方法研究。在明晰图编辑距离与置换矩阵的基础上,研究两种图匹配方法:枚举图匹配法和基于EM的图匹配法,后者是对前者的改进。分析这两种方法的各自求解过程及可并行化的部分,予以并行化处理。在保证计算结果正确的前提下,分析两种方法各自的计算效率。(3)基于相似性矩阵评价的图匹配方法研究。本文在consR方法的基础上,探究了一种KM-consR图匹配方法,该方法使用经典consR方法求得图数据的全局相似性矩阵,摒弃现有方法中寻找关键点对的过程,采用KM算法计算两图数据的最大匹配。基于GPU平台,对KM-consR方法实现并行化处理,实验证明并行方法更高效。