图像质量评价是数字图像处理领域的一门重要研究课题，数字图像质量的高低直接影响图像在后续的分析、解译等应用中的价值。脉冲噪声是一种常见的图像质量失真类型，因此对受脉冲噪声污染图像的质量评价算法的研究在图像质量评价领域也显得尤为重要。另一方面，图像传感器技术的发展，使当今数字图像在分辨率和数量上都数倍于以往，传统串行的图像处理算法已经不能满足当前海量图像处理实时性的需求，而GPU依托其强大的计算性能已经成为研究高性能数字图像处理并行算法的首选解决方案。　　本文通过对图像质量评价方法的研究现状和发展趋势进行分析，重点设计了一种基于GPU的脉冲噪声图像质量检测算法，并且对算法在海量图像评价系统中的应用进行了优化，主要研究内容如下：　　（1）通过分析脉冲噪声的特点及其滤波算法，设计了一种以基于梯度的结构相似度为质量评价指标的无参考脉冲噪声图像质量检测算法。算法对原始含脉冲噪声的待检测图像进行滤波构造平滑图像作为参考图像，通过计算原始图像与参考图像在基于梯度的结构相似度的差异作为对原始图像的质量评价标准。实验结果表明，相比于全参考的峰值信噪比评价标准，本文算法能够对含脉冲噪声图像的质量进行较为准确的评价，更加具有实用性并且结果呈现更为直观。　　（2）通过对提出的脉冲噪声图像质量检测串行算法进行并行可行性分析，将原始串行算法中计算复杂性较高的部分，依据其计算特点结合CUDA线程模型并合理利用CUDA的存储器模型，在CUDA并行编程环境下逐个进行核函数的设计，最终实现了基于GPU的脉冲噪声图像质量检测并行算法。实验结果表明，基于GPU的脉冲噪声图像质量检测并行算法在保证计算结果正确性的基础上，其计算效率远高于串行算法的计算效率，并且随着实验图像分辨率的提升，并行算法的加速效果更为明显，在Tesla K20c GPU的实验环境下获得了最大65倍的加速比。　　（3）针对基于GPU的脉冲噪声图像质量检测算法在海量图像质量评价应用环境中的分析，利用任务并行化的思想，将每幅图像的质量检测过程视为一个任务，通过在GPU上一次进行多个任务的处理，利用CUDA流管理机制实现任务与任务间在数据传输与数据计算、数据计算与数据计算的并发性，提升GPU上的资源利用率，以进一步提升算法在海量图像质量评价应用中整体的计算效率提升。实验结果表明，在Tesla K20c GPU的实验环境下，使用CUDA流管理机制的优化算法与未优化的算法相比，在海量图像质量评价应用中获得了至少20％的计算效率提升。