通过含有噪声甚至是缺失的观测数据来恢复原始数据,一直以来都是计算机视觉、数据挖掘等领域中的一个重要且具有挑战性的任务。传统的数据填充方法通常将数据保存成矩阵的形式,然后通过基于核范数最小化的模型进行利用凸优化的常用方法求解。而随着当前多媒体数据在数量和维度上的增长,传统的矩阵表示和处理数据的方法存在其理论上的局限性,因为这一类方法无法有效地保留数据的空间结构特征。近期,由于其在保留数据空间结构等方面的有效性,张量这一高维的数据结构引起了很大关注。诸多学者提出了基于低秩张量填充的数据恢复算法,并且成功应用到了各种领域中。然而,已有的大多数算法在对张量进行低秩填充时,对于每个维度的考量标准是相同的而没有与真实数据本身的低秩特性相结合。在本文中,我们对不同真实数据每个维度上秩的分布特性做了一个详细的分析,并且设计了一种简单而有有效的低秩张量填充算法。该算法能够准确地结合真实数据每个维度上的本质结构,同时减小了运算的复杂度。此外,考虑到真实数据空间结构上局的部平滑性和连续性,我们还在模型中引入了全变分算子。考虑到低秩张量填充的两种基本形式,即张量展开以及张量分解形式,针对对于张量秩估计方式的不同,我们对两种形式分别提出了数据填充模型并给出基于增广拉格朗日乘子法的求解。另外,我们还引入了一种张量秩的非凸近似,相比于核范数该非凸近似能够更加准确地估计张量的秩。最后我们针对于不同的高维数据应用场景,分别在彩色图像、多谱图像和灰度视频数据集上验证了模型和算法,并且与当前主流的算法相比较证明了所提模型有有效性。