微弱目标检测与跟踪技术在雷达预警、红外探测及飞行导航等领域都有着广泛的应用。检测前跟踪(track-before-detect, TBD)是相对于传统的检测后跟踪提出的信号处理方式。该方法未设定每一帧观测数据的门限，累计多帧观测的结果，通过对目标能量的积累以完成对目标的检测和航迹的跟踪。TBD一般应用在非线性、非高斯的情况下，而基于粒子滤波(particle filter, PF)的TBD算法在微弱目标检测中表现出良好的性能，因此粒子滤波技术成为解决TBD问题的有效的手段。由于TBD算法采用原始数据进行检测，需要处理的数据量较大，在实际应用中存在实时性的问题。随着图像处理器(graphic processing unit, GPU)技术的快速发展，采用CPU与GPU结合的方式，将算法中计算密集的并行部分交由GPU处理，利用GPU突出的并行计算能力，使算法能够高效实时的完成。本文对基于粒子滤波的TBD算法在GPU上实现展开研究，主要的研究成果如下：第一，研究了贝叶斯框架下的粒子滤波算法，并在此基础上对TBD算法的原理及框架进行了分析。通过仿真实验分析了两种基本的基于粒子滤波的TBD算法，并建立了基于红外传感器和雷达传感器的两种处理模型。第二，研究了几种改进的粒子滤波算法，重点讨论了基于辅助粒子滤波的TBD算法。仿真分析了不同粒子数及不同似然比区域大小对基于粒子滤波的TBD算法的检测及跟踪性能的影响。针对TBD算法缺少合理有效的评价标准的问题，提出了一组新的衡量指标以评价TBD的检测性能，通过理论分析及实验仿真表明，该指标能够对不同的TBD算法进行有效的评估。第三，针对基于粒子滤波的TBD算法的计算量大所导致的算法实时性差这一问题，提出了在GPU平台上实现该算法的方法。本文使用以C语言为基础的CUDA程序，将并行线程在GPU上进行合理的规划，提高了算法的加速比，有效地改善了算法的实时性。同时，给出了观测场景的分区数超出GPU中block内的线程数量时的解决方案。仿真实验采用两块不同的GPU显卡对基于粒子滤波的TBD算法进行实现，仿真结果表明，显卡中的存储带宽及处理核的数量是影响算法并行计算速度的关键参数。