在信号处理和数据分析领域的许多实际应用中,采集到的观测信号数据经常具有高维度的特点,而且不同的样本观测数据间经常还具有相同的或高度相关的信号成分。在对这些高维的同源样本观测数据进行处理时,许多传统的矩阵和张量分解方法由于未能充分利用数据内部的多线性结构或数据间的耦合关系,从而在准确度和辨识性条件等方面存在一定的局限性。而耦合张量分解方法采用了耦合分解的设计思想,能够有效的解决这个问题。其中,耦合典范多因子分解（Coupled Canonical Ployadic Decomposition,C-CPD）因其结构相对更加简单,且具有更加宽松的可唯一辨识性条件以及更高的准确度性能等优势,而成为多数据集信号融合领域中人们关注和研究的热点。对此,本文从算法和应用两个方面对C-CPD分解方法展开了研究,主要工作内容如下:在算法方面,本文针对现有C-CPD分解算法在运算复杂度和鲁棒性等方面存在的一些不足,提出了一种新的基于联合特征值分解的代数类C-CPD分解算法。该算法主要包含三个步骤,分别是耦合张量压缩、利用联合特征值分解求解共享因子矩阵以及通过秩一近似求解非共享因子矩阵。本文对该算法的模型、辨识性条件和具体实现原理进行了详细介绍,并对该算法做了进一步扩展和运算复杂度分析。在此基础上,本文通过构造更多的目标矩阵以及对构造的目标张量使用更高精度的分解算法,对以上提出的代数类C-CPD分解算法做了进一步改进,改进的算法具有更高的分解精度。同时,本文还对现有的一种基于ALS的C-CPD分解算法进行了改进,简化了其中共享因子矩阵的联合求解过程,从而降低算法的运算复杂度。在应用方面,本文首先通过空间平滑的方法建立起了多维谐波数据的C-CPD分解模型,然后将所提出的算法分别用到了复杂噪声、共线性以及数据缺失场景下的多维谐波恢复问题中。接着,本文又将所提出的基于联合特征值分解的代数类C-CPD分解算法应用到了多基地MIMO雷达多目标快速定位问题中,通过不同噪声场景下的实验对算法在目标定位实时性和准确性方面的性能进行了验证,并讨论了模型参数对算法准确度性能的影响。数值仿真和实际应用实验结果表明,相比于传统的矩阵和张量分解算法,所提出的算法在准确度性能上具有突出的优势。而相比于现有的C-CPD分解算法,所提出的算法在准确度、鲁棒性和运算复杂度方面也具有出色的表现,能够很好地应用于多维谐波恢复和多基地MIMO雷达多目标快速定位中。