數字信號處理（DSP）是科學和工程計算中一種無處不在的方法。在實踐中，DSP問題往往不僅僅是一維的。例如，圖像數據是一個二維信號，雷達是一個三維信號。在維數增加的同時，處理數字信號的時間和/或存儲復雜性也急劇增長。因此，實時解決多維DSP問題是非常困難的。現代通用圖形處理單元（GPGPU）通過高度的并行計算，在矢量操作和數字操作上具有出色的吞吐量。處理數字信號，特別是多維信號，往往涉及對大量獨立數據樣本的一系列矢量操作，GPGPU現在被廣泛用于加速多維DSP，如圖像處理、視頻編解碼、雷達信號分析、聲納信號處理和超聲掃描。從概念上講，與中央處理器（CPU）、數字信號處理器（DSP）或其他FPGA加速器相比，GPGPU極大地降低了計算復雜性。

處理多維信號是科學研究和/或工程計算中的一個常見問題。通常情況下，DSP問題的計算復雜性隨著維數的增加而呈指數級增長。盡管如此，由于具有高度的時間和存儲復雜性，實時處理多維信號是非常困難的。盡管許多快速算法（如FFT）已被提出用于一維DSP問題，但它們仍然不夠高效，無法適應高維DSP問題。因此，使用數字信號處理器（DSP）仍然很難獲得理想的計算結果。因此，需要更好的算法和硬件結構來加速多維DSP的計算。

實際上，為了加速多維DSP，在過去的幾十年中已經提出和發展了一些常見的方法。

在多維DSP應用中，實現實時性要求的一個權宜之計是使用較低的采樣率，這可以有效地減少一次要處理的樣本數量，從而減少總的處理時間。然而，這可能會導致因采樣定理而產生的混疊問題，并導致輸出質量不佳。在某些應用中，如軍事雷達和醫療圖像，我們渴望得到高度精確和準確的結果。在這種情況下，使用較低的采樣率來減少多維DSP領域的計算量并不總是允許的。

數字信號處理器是專門為處理矢量運算而設計的。幾十年來，它們在DSP計算中被廣泛使用。然而，大多數數字信號處理器只能夠并行地處理一些操作。這種設計足以加速音頻處理（一維信號）和圖像處理（二維信號）。然而，對于多維信號的大量數據樣本，這仍然不夠強大，無法實時檢索出計算結果。

為了加速多維DSP的計算，在某些情況下需要使用專用的超級計算機或集群計算機，例如天氣預報和軍事雷達。然而，使用指定的超級計算機來簡單地執行DSP操作需要相當大的資金成本和能源消耗。此外，它也不實用，不適合所有的多維DSP應用。

GPU最初是為加速圖像處理和視頻流渲染而設計的。此外，由于現代GPU有很好的能力以相對較低的成本和更好的能源效率并行進行數值計算，GPU正在成為一個受歡迎的替代方案，以取代超級計算機執行多維DSP。

現代GPU設計主要是基于SIMD（單指令多數據）計算范式。這種類型的GPU設備就是所謂的通用型GPU（GPGPU）。GPGPU能夠通過其矢量或SIMD功能單元對多個獨立的數據同時進行操作。一個現代的GPGPU可以催生成千上萬的并發線程，并以批量方式處理所有線程。由于這種性質，GPGPU可以很容易地被用作DSP加速器，而許多DSP問題可以通過分而治之的算法來解決。一個大規模和復雜的DSP問題可以被分成一堆小的數字問題，并在一個時間內被全部處理，這樣就可以xxx減少整體的時間復雜性。例如，兩個M×M的矩陣相乘可以由GPGPU設備上的M×M并發線程處理，而沒有任何輸出數據的依賴性。