形式概念分析,是数据分析及规则提取的有力工具,在知识表示、数据挖掘与分析中有着广泛的应用。概念格是形式概念分析的核心数据结构,在形式概念分析的应用过程中,首先要构建概念格。在一般情况下,概念格中的节点是按指数增长的。这样,概念格构建算法的效率就成为能否成功应用形式概念分析的关键。并行计算是提高算法效率的有效手段,本文主要基于CUDA并行计算架构设计实现概念格的并行构建算法,提高概念格构建算法的效率,使形式概念分析在各个领域得到更有效的应用。首先,本文分析经典概念格构建算法的基本思想,并在CUDA并行计算架构平台上设计出了C-In-Close算法。由于在CUDA平台上支持递归的深度不够,因此CIn-Close算法采用了迭代方式,从顶层已知概念开始,迭代计算每层概念。算法利用同层概念间的不相关性,将上一层概念生成的子概念分布到GPU的各个计算单元中,以任务并行的方式计算出该层概念的子概念,并将生成的概念传回CPU中完成一次迭代过程。重复此迭代直至无新概念生成,即完成了对概念格的构建。本文对该算法在不同数据集上进行实验,实验结果表明:C-In-Close算法能够有效地计算形式背景对应的所有形式概念。其次,为了提高算法的并行度,本文在CUDA并行计算架构平台上设计出了基于背景分解的概念格并行构建算法CCD-FCbO算法。该算法通过二部图中的割点将形式背景分解为多个子背景,以数据并行的方式将多个子背景通过CPU端调用GPU的内核函数分布到各个线程中,由各个线程再调用GPU内核函数申请其他线程对每个子背景的概念进行并行计算,再将每个子背景对应的形式概念进行重构,得到原背景的形式概念。算法在原有的任务并行基础上合并了数据并行方式,在算法并行度上得到一定提升。本文对该算法在不同数据集上进行实验,实验结果表明:在背景分解均匀的情况下,CCD-FCbO算法与C-FCbO算法相比能够更快的计算出形式背景的所有形式概念;在背景分解不均匀的情况下,CCD-FCbO算法在效率上不如对形式背景直接进行计算的C-FCbO算法,但快于经典概念格构建算法FCbO算法。最后,本文在CUDA并行计算架构平台上设计出基于背景分解的概念格并行构建算法CCD-In-Close算法。该算法同样先对形式背景进行分解,对分解后的子背景的概念进行并行计算,并将子背景生成的概念进行重构,得到原背景的形式概念。本文对该算法在不同数据集上进行实验,实验结果表明:在背景分解均匀的情况下,CCD-In-Close算法相较C-In-Close算法,效率有了一定提升;在背景分解不均匀的情况下,CCD-In-Close算法效率慢于对形式背景直接进行计算的C-In-Close算法,但快于经典概念格构建算法In-Close算法。通过对C-FCbO算法与C-In-Close算法在同实验数据条件下运行时间的横向对比发现:两个算法效率相近。通过对CCD-FCbO算法与CCD-In-Close算法在同实验数据条件下运行时间的横向对比发现:两个算法效率也相近。所对比的四个算法在效率上相较于经典概念格构建算法都有了一定的提升,因此FCbO算法与In-Close算法均适合在CUDA平台上进行并行概念格构建算法的设计。