高光谱遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。从可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级,光谱波段数多达数十甚至数百个以上。高光谱遥感图像中大量混合像元的存在降低了数据分析的准确性,高光谱解混技术把图像中混合像元进行分解,获取相应的端元矩阵和丰度矩阵,从而实现遥感数据的定量化分析。由于高光谱遥感图像数据量大的特点,使得提高解混算法的效率,实现解混算法的快速处理一直是解混领域的研究热点。近年来,随着图形处理器(Graphic processing unit GPU)在高性能计算领域的快速发展,如何实现基于GPU的高光谱遥感图像解混的并行优化,提高算法的执行效率,实现高光谱遥感图像快速处理变得尤为关键。本文针对高光谱解混技术中的端元提取和丰度估计两个内容,首先研究了典型的自动目标生产过程(Automatic Target Generation Process,ATGP)和正交子空间投影算法(Orthogonal Subspace Projection,OSP)。一方面针对端元提取中的ATGP算法研究了其基于递归的改进算法RATGP算法。另一方面针对丰度估计中的OSP算法研究了基于递归的改进算法ROSP算法。接着从算法自身的特点和GPU架构体系两方面分析研究,研究了算法的并行优化问题,并且将高光谱数据的存储、访问、数据交互以及解混算法的任务划分等因素进行考虑,分别提出了基于GPU的RATGP算法并行优化和基于GPU的ROSP算法并行优化。实验采用了两张真实高光谱图像,首先实验比较了 RATGP算法和ROSP算法在CPU平台下和CPU/GPU协同下的加速性能,接着又比较了不同计算能力的显卡和不同数据大小的图像对算法效果的影响。最后验证了基于GPU的RATGP算法和基于GPU的ROSP与传统的基于GPU的ATGP算法和基于GPU的OSP算法,哪些算法更适合进行并行优化。在真实高光谱图像上的实验结果表明,本文提出的优化方法在保持解混结果精度的情况下,提高了算法的执行效率。基于GPU的RATGP算法的加速比最高可达到102倍;基于GPU的ROSP算法的加速比最高可达到44倍。