图像重构是图像处理领域中的一种重要方法,通过该方法能够将成像系统中的样本观测信息进行求逆,重构出原始的样本图像。过去三十多年内,研究人员陆续提出了反卷积、全变分以及压缩感知等图像重构模型,已经广泛应用于医学成像、图像降噪、去模糊、超分辨率重构等方面。近年来,深度神经网络（Deep Neural Network,DNN）模型在图像分类、语音识别上取得了令人瞩目的成效,激发了研究人员对DNN模型研究的热情,面向图像重构的DNN模型逐渐成为了研究的热点,设计出的DNN模型改善了图像重构的性能。图像处理器（Graphics Processing Unit,GPU）是一种能处理大规模并行计算的硬件架构,被广泛的应用于DNN模型的训练和推理,有效的加速了DNN的实现。近年来,随着GPU嵌入式设备的快速发展,研究人员已经利用嵌入式设备实现了分类识别的DNN模型。然而,不同于分类识别的DNN模型逐层减少特征维度的特点,图像重构DNN模型的特征维度可能与输入维度相等甚至更大,这将造成计算量的明显增加。同时如UNet、Res Net等大部分图像重构DNN模型都存在网络不对称的特点,导致在计算上分布不均匀,无法实现并行化设计,因此难以在对计算均衡有极大要求的GPU嵌入式设备上快速实现。针对面向图像重构的DNN模型网络结构不对称的问题,本文基于图信号处理的思想,利用图结构的计算均衡分布特性,对DNN模型结构进行修改,使模型计算均衡化,提升GPU资源利用率。为了验证图信号处理的有效性,实验以基于近似的自动变换（Automated Transform by Manifold Approximation,AUTOMAP）模型为研究对象,利用图卷积代替传统的卷积、反卷积操作,通过对比发现,基于图信号处理的AUTOMAP模型与原始AUTOMAP模型都能收敛到相近的损失值。为了进一步加速DNN模型,基于GPU的CUDA编程模型,本文对优化后的AUTOMAP模型实现并行化加速设计。利用cu BLAS库对全连接层实现并行化加速。利用拉普拉斯矩阵的稀疏性,提出了用ELLPACK-R格式进行存储,有效节省了存储空间,并采用负载均衡的稀疏矩阵向量乘并行优化策略提升GPU的执行效率。根据切比雪夫多项式迭代的特性,利用基向量的思想实现并行加速策略。针对大型矩阵相乘,采用分块的思想,结合GPU共享内存快速实现。实验运行在英伟达的Jetson AGX Xavier嵌入式平台上,通过并行优化设计,将面向图像重构的DNN推理模型实现在嵌入式平台上,充分利用存储和计算资源,提高模型的计算效率。