随着人类生活品质的不断改善以及科技水平的持续发展,人们对于日常生活中的常见问题都更倾向于通过科学技术以实现更优化更便利的处理。伴随着这种趋势以及大数据、云计算、物联网等的发展,社会中的数据逐渐形成了融合时间、空间、物理等各个维度信息的多维数据,其多角度的信息表示可以更加精准地反映出人们的生活轨迹,但同时数据量的扩充也使得数据的处理变得更加困难。而张量作为向量以及矩阵在高维度上的延展,可以从多维度上表达数据的多类属性,从而对此类大数据进行合理表示。同时,由于计算能力的迅速提高,人工智能的应用领域也不断扩展,且更加多样化。其中,针对目标识别问题,RNNPool模型的高效性以及稳定性使其在一众机器学习模型中脱颖而出,它能以更低的内存能耗对产品进行更高精确率的特征预测。首先,本文提出了改进模型RNNPool3D以及RNNPool3D＿2模型。RNNPool3D可以有效针对三阶数据进行特征提取,改善了原始RNNPool模型仅能针对数据两个维度上的特征进行处理的问题。而RNNPool3D＿2是针对三阶彩色图片各阶上物理意义不同的问题,所改进的对通道阶进行优化处理的RNNPool3D改进模型。其次,考虑到现有模型运行时间较长、消耗资源较多的问题,本文提出改进模型TT-RNNPool3D。该模型于RNNPool3D＿2模型基础上,通过结合张量分解算法,使得模型可以将高阶数据分解成多个低阶数据以实现并行处理化,大大降低需处理的参数量。此外,TT-RNNPool3D可以在维持RNNPool3D＿2模型精度以及收敛速度几乎不变的情况下,大大降低训练难度,从而节省大量资源。同时,本文还对RNNPool3D＿2以及TT-RNNPool3D模型在通道阶的处理上提出了改进的设想。最后,本文在钢材表面缺陷数据集、运动分类数据集以及KTH-TIPS数据集上对所改进的模型及其不同参数与变体进行了对比实验,并将所得结果在准确率、损失度、消耗时间等七个实验指标上进行了分析与总结。所改进的模型在运动分类数据集上获得了较高的精度,并在KTH-TIPS数据集上相较于原始模型有着最大的提升效果。