高光谱图像包含丰富的光谱信息,在物体分类方面有着重要的应用前景。由于高光谱图像数据比较大,分类算法比较复杂,现有的分类算法在串行模式下执行速度比较慢,很难在实时性要求比较高的场景中得到推广。近年来,GPU以其低成本高计算能力的特性,为高光谱图像快速分类提供了有效途径。高光谱图像中相邻波段高度相关,冗余的信息加重了计算负担,降维方法的引入能有效减少冗余信息,但会增加分类算法的复杂度。在光谱信息中融合空间信息,能有效改善分类精度,但引入空间特征,会使数据变得庞大,加大了计算量和复杂度。在高光谱图像处理中,提高分类算法精度并且又能提供快速执行的解决方案是一个重要的研究方向。本文通过GPU并行加速降维算法、空间特征提取算法和分类算法,在较高分类精度的前提下实现了快速分类,主要内容如下:第一,根据高光谱图像和GPU的特点及应用场景,调研了国内外高光谱图像分类和基于GPU的高光谱图像处理技术的研究现状。为后续分类算法和空间特征引入选型提供了理论基础。接着详细介绍了 GPU的硬件架构及优化措施,为后续算法的并行实现提供技术支撑。第二,在GPU上实现了光谱和空间特征提取算法。光谱特征提取使用LPE算法,用于提取信息丰富且最不同的波段,空间特征提取使用LBP算法,用于提取局部纹理信息。通过在真实的高光谱数据集中,快速实现了特征提取过程。第三,在GPU上实现了加权协作表示分类的算法。与传统的串行程序比较,该方案在保证分类精度的情况下取得了较高的加速比。之后把并行优化后的算法应用于医学高光谱图像中,实现了血细胞的快速分类。