随着大数据和云计算应用的普及,对于海量数据处理能力的需求越来越高。用于大规模数据处理的数据密集型算法是以I/O访存和数据处理占主体的算法,具有低延时高吞吐的特点。提高在不同计算平台上数据密集型算法的执行效率成为当前研究的热点。数据密集型算法的优化主要聚焦于改进访存效率和提高算法并行性。此外,对于不同应用场景的通用性和不同的数据规模的可扩展性也是其优化的目标。本文分别以信号处理、图像处理、智能应用领域中典型的数据密集型算法为研究对象,研究了在不同数据形态和应用场景下数据密集型算法的并行优化技术。本文首先在信号处理算法中选择极化码译码算法为优化对象,提出了基于GPU的极化码并行译码算法。研究了GPU在控制复杂的数据密集型算法中的存储调度和线程资源分配,主要解决了极化码译码过程中涉及到的递归运算和不规则访存的并行优化问题。在图像处理算法中以图像卷积计算为优化对象,研究了基于ARM处理器的卷积运算并行加速方法。面对实时性需求较高的应用场景,通过建立ARM处理器指令流水线模型,实现了SIMD指令的高效调度从而减少流水线停顿,并提出了一种平铺访存策略来增加数据重用,从而减少了缓存缺失并提高了计算速度。在智能应用领域,以基于深度神经网络的目标检测算法为优化对象,提出了基于Faster R-CNN的遥感图像目标批量检测方法。针对吞吐量需求较高的数据密集型算法,通过提高同时处理的图片数来充分利用计算资源,增大数据处理的吞吐量。