随着我国对地遥感观测技术的逐渐发展与成熟,我们获取的遥感影像的种类越来越丰富,数据规模越来越大。面对如此庞大的数据量,传统的影像处理模型已经无法满足遥感产品应用领域对影像处理算法高效处理的要求。因此研究遥感影像快速处理模型是十分有意义的。增强型植被指数(Enhanced Vegetation Index,EVI)是生态定量遥感监测领域应用广泛的植被指数之一。它通过引入相关参数对EVI计算公式进行了改进,在一定程度上减弱大气和土壤对它的影响,因此能够稳定地反映出所观测地区植被的生长情况。当对数据规模较大的遥感影像进行EVI提取时,由于受到计算机硬件资源的限制,此类影像数据不能全部加载到内存中进行处理,需要对数据进行合理的分块。传统数据分块算法不能对遥感数据做出合理的分块,并且分块效率比较低。传统的EVI多线程提取方法不能对EVI提取的整个处理链进行加速,因此提取效率并不高。结合上述问题,本文对遥感影像EVI提取过程进行了研究,针对提取过程中的各个步骤进行了可并行性分析,对于数据分块部分,基于OpenMP实现并行分块;对于数据计算部分,基于CUDA并行库实现并行计算;对于整个提取链,基于流水线思想设计出EVI快速提取算法,并且通过实验进行对比分析。本文主要成果有以下两点:(1)设计了一种基于OpenMP的嵌套并行分块机制,针对现有的影像分块算法效率低问题,利用OpenMP的嵌套并行技术充分发挥CPU多核的优势来提高分块效率。针对无法快速科学地确定分块数目的问题,设计一个最优分块数目的计算公式。该分块机制不仅可以应用在EVI提取算法中,还可以应用到其它涉及影像分块的相关领域。(2)设计了一个基于流水线的EVI快速提取算法,针对EVI提取过程包括五个连续的处理步骤的特点,依靠流水线在遥感影像多级连续处理方面的优势,对EVI提取过程进行流水线并行设计。为了减少流水线节点间速度不同带来的时间延迟,在算法流水线节点之间采用双缓冲队列来存储每个节点处理的中间结果,进而提高EVI提取过程各步骤并行度。