人脑是自然界中最复杂的网络之一,而复杂网络理论为人脑的研究提供了一个新的方向。计算脑网络属性的方法是研究脑网络的一项重要途径,因此网络构建时间和属性计算时间是影响研究进度最为重要的因素,是为脑网络研究提供技术可行性的重要指标。脑网络研究的不断发展使得脑网络粒度日益精细,网络规模日益增大,计算量呈几何级数增长,使得脑网络研究时间过长,大大阻碍了脑网络研究进程。并行计算技术的发展使其成为一种求解数据密集型计算任务的有效的手段。因此,本文主要是通过并行计算技术实现脑网络的快速计算。本文研究的重点是静息态功能脑网络计算的并行实现。利用并行计算技术的理论知识,对脑网络研究领域已有构建和分析方法,在不同的并行计算平台,提出脑网络计算的并行策略。在本文中,创新之处是:(1)基于CPU-GPU异构环境并行系统,对脑网络构建方法提出一种新的实现方式。在此基础上,提出了脑网络构建及属性计算的并行策略,即利用CUDA架构、CUBLAS库加速脑网络属性计算方法中的计算模块。在支持GPU通用计算的并行平台,对脑网络并行策略的性能进行测试,最优的并行效果是加速比达到3倍以上。(2)基于多CPU环境的并行系统,提出了基于多CPU的脑网络构建及属性计算并行实现策略,即利用多CPU并行计算多个脑网络。在支持多CPU计算的并行平台,提出了基于SPMD机制和循环打包方法的架构,并对这种并行策略进行测试并行性能,最大的加速比达到6倍以上。(3)基于CPU-GPU异构环境并行系统,提出了将以上两种策略相结合,即基于并行多个网络和单个网络并行计算两种策略,实行CPU与GPU的异构环境无缝运行。针对这种结合策略,实现上述并行方法,并对性能进行测试,最好的并行效果是获得将近4倍的加速比。