随着现代科学信息技术的发展,高维数据的缺失问题已经变得越来越常见,加上我国即将进入全新的5G时代,所以我们也将会接触到更多并且更高维的数据。张量可以用来描述高维结构的数据,也就是本文主要的研究对象。但是在实际应用时,数据经常会在传输过程中出现缺失、噪声和污染的情况,因而我们得到的数据往往是不完整的,所以需要根据已知的信息推测出未知的元素从而将缺失的高维数据补全。张量完整化方法就是以此为目的的一种数据科学方法,它已经是数据挖掘、推荐算法和计算机视觉等众多领域中所研究的重要课题,也是本文的核心内容。本文第1章首先介绍了高维缺失数据插补问题的研究背景及意义,提出了张量完整化方法及其研究现状,还有本文的创新点。第2章对张量完整化问题进行了细致的展开,讨论了张量的分解类型,并对张量完整化问题的一般模型进行了说明。另外本文利用Log函数来替代秩函数,构建了基于log函数的非凸张量完整化模型,从而可以增加对较小奇异值的惩罚同时减少对较大奇异值的惩罚,得到更加精确的解。第3章利用DC规划与DC算法对模型进行求解,并提出了Log-TC算法。第4章进行了数值实验,利用人工随机生成的张量为对象来测试算法的有效性,并将本文算法Log-TC与快速低秩张量完整化算法(FaLRTC)和FP-LRTC算法进行比较,然后将算法Log-TC应用到彩色图像恢复中来测试算法对于处理实际生活中高维缺失数据的插补能力。最后,第5章总结了本文的主要工作,提出结论并对改进目标进行了展望。本文通过采用基于Log函数的张量完整化模型来解决高维缺失数据的插补问题,最终得出结论。在合成随机张量的实验中发现,首先对于相同大小的张量,当其秩相同时,随着取样率的增大,该算法恢复的精度越来越好,时间也随之变快。接着当设置取样率都相同的情况下,随着秩越来越大,问题也就变得越来越困难,但是Log-TC算法表现出来的精度仍然都比其他两种算法恢复得要好。其次,当张量的大小不相同时,无论是针对“简单问题”还是“复杂问题”,从测算的结果可知,Log-TC算法恢复张量的相对误差是最佳的,并且时间也是用的最少的。最后,在利用改进后的模型解决图片恢复的问题时,不管彩色图像是纹理结构突出的图片还是纹理结构较弱的图片,Log-TC算法都能以较为理想的精度恢复,进而说明本文研发的Log-TC算法是有效的。因此通过实证研究表明,本文所提的算法是可以成为今后实际应用中的一个新的选择。