非负张量分解是非负矩阵分解的多线性扩展。它继承了非负矩阵分解“整体感知基于部分感知”的思想,能在非负张量数据中挖掘各个维度的潜在信息,更高效地进行降维及特征提取,已在计算机视觉、信号处理、推荐系统等领域取得广泛应用。虽然传统非负张量分解算法在理论上适用于任意高阶张量,但随着数据维度不断增大,其模型参数会随张量阶数呈指数级增长,带来所谓的“维度灾难”,使得计算成本急剧上升。张量网络将超高阶张量表征为一系列低阶张量,在一定程度上克服了维度灾难,日渐受到学界青睐。然而,针对非负张量数据的非负张量网络研究却鲜有学者涉及。本文在近年较为热门的张量网络张量环分解模型(Tensor Ring Decomposition,TR)基础上进行研究,提出了一个环形非负张量网络模型,非负张量环分解(Nonnegative Tensor Ring Decomposition,NTR)模型。NTR模型继承了TR模型较好的数据表征能力和一定程度克服维度灾难的特性,还能额外地提取数据的基于部分的低维特征,提升特征在聚类实验中的性能表现。本文提出了四种不同的NTR算法,首先为了简单有效地实现分解参数非负约束,提出基于交替最小二乘法的NTR算法,但其难以从理论角度证明收敛性。其次提出收敛性得以保证的基于乘数更新法则的NTR算法,但迭代速度较为缓慢。再次提出了基于分层最小二乘法的NTR算法来加速迭代过程,但其在高阶张量处理中效率仍然较为低下。本文通过证明NTR模型子问题导数是李普希兹连续的,验证了可以使用加速近端梯度法(Accelerated Proximate Gradient,APG)来高效优化NTR模型,提出基于APG优化方法的NTR算法。本文还构造了四个不同的NTR模型的变体,并证明其模型变体也能使用APG优化方法高效地优化,以此提出了四种不同的变体算法,分别是能提取自然图像更基于部分的的特征的稀疏非负张量环分解算法,更适合文本聚类的平滑非负张量环分解算法,能学习非负高阶张量数据的流形几何信息的图约束非负张量环分解算法和适合处理带负值高阶张量数据的半非负张量环分解算法,极大地扩展了NTR算法的应用范围。本文在张量数据特征提取和无监督聚类实验上验证了NTR算法的有效性,对比现有同类型算法,NTR算法能提取人脸张量数据更基于部分的的特征,提取的特征在聚类实验中的聚类指标也是较为有效的。本文还对比了NTR算法和具有相似结构的非负张量网络算法在处理不同阶数的张量数据时数据表征能力的差异,验证了NTR算法能比NTT算法更高效地对张量数据进行数据表征。最后展望了NTR算法未来研究方向,期待今后能通过提高NTR算法的判别能力、鲁棒性和优化效率等方面来进一步扩展其应用范围,为大数据时代下各行各业的非负张量数据处理提供新的途径。