高光谱遥感技术是当前遥感技术的前沿领域,利用高光谱遥感图像进行目标检测是高光谱遥感技术研究与应用的热点问题。目标检测可应用于自然灾害的检测、矿产资源的探测与识别、农产品监测等众多方面。但因为高光谱遥感图像分辨率高等因素,造成其数据量巨大,算法运算过程复杂等问题,为分析和应用带来不便。近年来,GPU的发展为研究高光谱图像算法加速处理提供了新的思路。本文针对高光谱目标检测算法提出了基于GPU平台的并行优化算法,在保证检测精度的前提下,提高原算法的运行效率,详细工作如下:一方面,针对基于正交投影模型的高光谱目标检测算法(递归正交向量投影算法ROVP),提出了其并行优化方法,分别完成了基于GPU并行平台和CPU串行平台的优化算法,其中GPU并行分为基于CUDA架构和基于CUBLAS库的两种并行模式;然后对ROVP算法进行实验比较和分析,横向比较了 ROVP算法在GPU并行架构下和CPU串行平台下的时间结果,纵向比较了 ROVP算法、正交子空间投影OSP算法和正交向量投影OVP算法三种算法在GPU平台下的时间结果,实验结果表明,高光谱目标检测ROVP算法适于并行计算,在GPU并行架构下得到了明显的加速效果,有效的提高了算法的执行效率,且ROVP并行算法效果好于OSP和OVP并行算法。另一方面,针对基于目标约束的高光谱目标检测算法,提出了其相应的并行优化方法,分别提出了基于GPU的单目标检测CEM并行优化算法和基于GPU的多目标检测LCMV并行优化算法。首先对两种目标检测算法设计了基于CUDA架构和基于CUBLAS库的两种并行模式;其次结合两种算法的性质提出了相应的并行优化算法,分别是基于CUDA的共享内存优化(Shared Memory)算法和基于CUDA的自相关矩阵计算优化算法;最后在不同高光谱图像下分别对两种算法进行了大量的实验,实验结果表明,两种基于GPU高性能的并行优化算法都得到了较高的加速比,且基于CUDA的共享内存并行优化算法的加速效果最好。