随着“大数据和互联网+”时代蓬勃发展,各行业越来越需要快速计算海量数据,尤其在高清图像计算领域中,需要对图像中每个像素进行传统重复计算,比如许多领域需先对图像进行预处理才能进行下一步运算,那么预处理的速度也会影响整体计算效率,更显著地体现在视频处理领域中,对每帧高清图像的计算速度影响了整个视频的处理速度。因此,如何能够针对传统重复计算的算法设计出并行算法已成为亟待解决的热点问题,且图像是构成视频的基本元素。（1）首先,针对Prewitt计算得到的边缘图像中边缘不清晰的问题根据函数邻域连续性提出深度探测法用以补偿清晰边缘面积和缩减模糊边缘范围以减少模糊边缘对清晰区域带来视觉干扰并且从实用性角度分析了时间复杂度和空间复杂度,同时给出了并行优化的研究方向;其次,思考并设计Prewitt并行算法和优化方案。结合CUDA编程框架特点和分析算法计算流程和数据处理特点,该算法属于计算密集型和数据密集型算法,提高了算法在GPU处理核心中的效率和提高了CPU-GPU协同计算效率,使得并行设计方案效率极大提升。（2）在理论层面根据背景具有局部相似的特点,通过构建部分邻域背景模型与初始背景模型比较,将用于视频中的Vibe算法改进到图像边缘检测领域。具体来说,提出了构建部分邻域背景模型以避免检测到过多无关边缘的思想,从运动目标边缘检测上,提出了从部分邻域和全域中抽样的方法,用二者概率绝对差值作为边缘检测的依据。一方面修正了传统Vibe算法中无法消除“鬼影”的常见问题;另一方面,避免检测到过多背景信息,仅针对运动前景的边缘实现了边缘点的检测效果,算法可以当作其他领域算法的预处理阶段使用。其次,为更好地凸显改进后算法的实用性,结合GPU平台下的CUDA编程框架,针对部分环节设计出了并行算法。