随着图像处理技术的快速发展,骨架提取算法为医学图像处理、科学数据可视化、虚拟现实和游戏等应用提供了技术支持。但现有的骨架提取算法存在难以并行以及并行度不高的问题,如何利用丰富的多核资源加速骨架提取算法,迅速成为了并行计算和高性能计算领域面临的一个紧迫而具有挑战性的关键问题。骨架提取算法中存在复杂的数据依赖关系,导致传统的并行策略在提升性能方面受限。针对这一问题,本文提出基于线程级推测的骨架提取算法并行化算法,具体工作如下:（1）构建基于OpenMP框架的线程级推测编程模型。针对现有OpenMP框架不支持线程级推测执行的问题,对框架进行扩展构建线程级推测编程模型。在OpenMP中新建子句对推测变量进行标识,建立线程级推测运行库函数支持线程级推测并行编程,并在循环体中标记推测域以实现推测并行加速,同时创建误推测机制用于推测失败时错误回滚,为串行算法转化为线程级推测执行提供线程级推测并行编程模型,简化线程级推测编程难度,提高线程级推测编程效率。（2）提出基于线程级推测的骨架提取并行算法。针对现有骨架提取算法计算量大、难以并行及并行度不高的问题。分析骨架提取算法中的数据依赖关系,针对该算法提出的推测并行分割方案,建立骨架提取算法的推测值预测机制、正确性检验和错误回滚机制。利用线程级推测编程模型标记推测变量,程序在编译执行阶段会将原本的串行算法转换为线程级推测算法,实现骨架提取算法的推测并行化。（3）线程级推测骨架提取算法的性能研究与分析。针对线程级推测骨架提取算法,设计多组消融实验对其进行测试与结果分析,验证骨架提取算法推测执行时的正确性和所提模型的有效性。研究数据预处理技术,建立线程级推测算法的测试数据集,采用量化数据验证与分析线程级推测骨架提取算法的正确性、推测执行准确率和性能收益。与串行骨架提取算法相比,实验结果表明本文提出的线程级推测算法可以在确保骨架正确性的前提下,提高算法执行效率,最高可获得25.183倍的加速比性能。本文的研究成果可以更好地满足计算机领域对于骨架提取算法的效率需求,在图像处理领域有着广泛的应用前景和实际意义。