随着大数据时代的到来,传统的向量或矩阵的数据表示方法已经不能满足对目标各个属性进行完整的表达的需求。张量,作为向量和矩阵在高阶空间的拓展,一经出现便引起了广泛的关注。如果张量的每一阶都代表了目标的某一种属性,那么张量就可以自然而然地将目标的各个属性进行完整地表达。然而,因其数据量会随着阶数的增加呈指数增长,如何处理庞大的张量数据又成了一个难题。张量链分解算法可以将高阶张量分解为若干低阶张量的外积,从而达到了O（log N）级别的降维,很好地解决了维数灾难的问题。分布式张量链分解算法则是将传统的张量链分解进行改进,将其迭代计算的过程改为并行计算,显著提高了计算时效性。然而由于分布式张量链分解算法特殊的展开方式,只能按照固定的切块策略对张量进行划分,不能灵活地适用于各种张量,严重限制了分布式张量链分解算法的发展。因此提出一种更加灵活通用的办法从而更加符合实际计算的需求,提高算法的可拓展性和适用性,是本文的主要研究内容。本文以张量切块和基于算法并行的分布式张量链分解算法为基础,对该算法提出了两种改进方案,解决了算法不能沿第一阶或最后一阶以及不能沿多阶进行切块的问题,进一步提高了算法的可扩展性和适用性,并给出了算法的相关应用实例。本文的主要研究内容可以归纳为以下几点:1.提出了沿任意阶切块的并行分布式张量链分解算法。通过研究张量链分解展开矩阵的规律和最小块不变性,推导沿第一阶或最后一阶切块后子张量的合并矩阵与原始张量直接展开矩阵之间的关系,提出了沿第一阶或最后一阶切块的并行分布式张量链分解算法。随后在此基础上将算法扩展到任意一阶,提高了算法的适用性。2.提出了沿多阶切块的分布式张量链分解算法。将任意阶切块的算法进一步扩展到沿多阶切块,对多种切块策略进行推导验证并最终给出完整的多阶切块的算法。同时基于该算法提出了分布式增量张量链分解算法,避免了因新增数据而重复计算的问题。最后在加拿大计算中心平台上进行了数值实验和CT应用实验,证明了算法的有效性和优越性,验证了算法在特征提取方面的可行性。