随着遥感数据获取技术的发展,遥感图像的数据量呈指数级增长,对海量遥感数据的快速处理成为当前地理信息科学领域的研究热点。其中时间加权动态规整算法（TWDTW）是对遥感图像进行时间序列分析的一种重要算法,但受计算复杂度的限制,使其难以适用于大型数据集。随着众核处理器和超级计算机的应用普及,高性能地理计算已经成为了解决遥感图像实时性处理问题的重要手段。本文基于不同异构平台实现了时间加权动态规整算法并行化。本文主要工作及创新点如下:（1）本文结合TWDTW算法的特性,对目标算法进行了粗粒度和细粒度两个层次的并行性分析,根据GPU（Graphic Processing Unit）的特点提出了一种基于CUDA的时间加权动态规整并行算法。首先利用GDAL重新组织遥感时间序列的数据结构,将三维的遥感时间序列数据映射为一维连续的时间序列曲线。设计GPU众核流处理器并行处理独立像元数据的粗粒度并行架构,通过多线程模型建立累积成本矩阵减少数据之间的依赖性,然后优化内存模型以降低内存访问事务,从而提高算法的访存效率。（2）为完善国产超算平台科学计算生态,本文将算法移植到我国自主设计研发的超级计算机“嵩山”以探究该算法在异构集群上的可扩展性,基于HIP和MPI异构并行技术实现了不同层次的并行架构。利用异步流调用单节点多DCU（Deep Compute Unit）系统中的不同资源,重叠数据传输和核函数计算的时间,最大化设备利用率。通过实验对比分析了通信开销与计算在算法执行时间的占比以及验证了优化算法基于DCU加速器的计算性能。（3）运用hipexamine工具扫描CUDA代码将其移植为HIP的API实现本文所提算法的并行策略。通过消息传递接口实现了多节点间的任务分发和数据通信,利用多级存储结构和不同粒度的并行层次提高带宽与吞吐量,优化多节点并行架构算法基于遥感图像时间序列数据的访存性能和计算效率。本文所提算法以sentinel-2遥感影像作为实验数据集,对基于不同时间序列长度、数据规模及线程组织形式实现的算法进行实验验证,探索并分析了不同条件下的算法执行性能。实验结果表明,在单机异构的情况下,基于CUDA的并行算法相较于串行算法的加速提升约13倍,最高加速比可达44.19。此外,异构集群版本的算法在性能上有了更大的提升,在DCU实现的并行算法平均比基于NVIDIA Geoforece 1050ti的版本提升了1.59倍,相较于CPU版本的算法平均加速比达到了66.96。