图像分类与目标跟踪一直是计算机视觉领域中的核心问题。近些年来卷积神经网络(CNN)与TLD算法分别在这两个领域取得了瞩目的成果。与此同时,随着手机等移动设备的计算性能不断提升,研究人员开始尝试将复杂的计算机视觉算法应用在移动设备之上。对于CNN,本文首先借助MXNet深度学习框架将其前向过程在手机上进行了实现。测试结果显示卷积层的执行时间占到了总时间的70%以上,因此本文通过OpenCL编程框架将这一部分计算转移到了手机的另一个更加适合密集计算的设备——GPU上。之后又对于GPU上的算法实现采取了优化任务划分、利用片上存储等策略进行改进。最终在卷积层计算中取得了16倍的加速比,整体分类过程上也取得了2.1倍的加速效果。对于TLD算法,它的计算任务主要集中在检测模块的级联分类器上。级联分类器由方差分类器、集成分类器以及最近邻分类器串联组成。本文将这一部分检测计算放在了GPU上执行,并且针对任务的负载情况进行了线程的组织以及算法的优化。经过测试,本文提出的针对GPU的高性能实现算法对于每一帧视频的目标跟踪任务,可以将用时减少到只有原来的二分之一。本文通过在移动GPU上对于CNN与TLD这两个计算机视觉核心算法进行高性能实现,探索如何在通用并行计算中高效利用移动GPU,最终经过优化取得了理想的加速效果。