随着网络化应用程度的加深,互联网+、大数据等技术的发展迅猛,现代社会也会产生大量多维度多属性的数据,例如医疗图像数据,工业传感器数据,高光谱图像数据等,传统的低维信号已经不能表现这些数据多个属性的内在联系,所以这些具有高维特征的数据集一般都用张量来表示。张量作为向量和矩阵在高阶空间的延伸,是这类数据十分本质的表达。张量奇异值分解（T-SVD）是一种新颖的分解方法,可以通过傅里叶变换把数据从时域搬移到频域,有效分析数据在频域的特征,并可以进行数据压缩。该方法虽然应用潜力巨大,但是在大数据时代,数据规模越来越大,对数据快速处理的需求也越来越高,现行的张量奇异值分解算法对大规模数据的处理能力有限,分解速度缓慢。而且在实际的应用场景中经常会有数据不断更新的情况,如果每次更新就重新计算新的张量奇异值分解十分浪费计算资源。因此,针对这些问题,本文将重点研究分布式增量张量奇异值分解算法,以提高计算效率,减少重复计算。本文的主要研究内容可以归纳如下:1.提出了分布式增量张量奇异值分解算法。从目前张量奇异值分解算法存在的两个问题出发,提出了分布式和增量式两个解决方案。然后详细推导了三阶张量奇异值分解在单阶以及多阶上的增量算法,并给出了算法准确性的理论证明。接着用并行计算的思想,提出了分布式张量奇异值分解算法,并且将该算法和之前提出的增量算法结合,得到分布式增量张量奇异值分解算法,进一步优化了所提算法的性能。并对所提的几个分布式增量张量奇异值算法分别在随机数据上进行了实验,比较了使用优化算法的运行时间和串行执行的运行时间,计算出了对应的加速比以及实验误差,从实验的角度验证了算法的高效性和准确性。2.提出了一个智能预测模型。分别从时域和频域出发,结合了分布式增量张量奇异值分解和长短时记忆网络（LSTM）的方法,提出了一种基于T-SVD的高阶LSTM预测模型,并使用该模型进行了工业生产流程关键质量指标预测实验和锂离子电池剩余使用寿命预测实验。实验结果表明,该模型比其他常用方法预测得更加精准,并且收敛速度明显快于仅使用LSTM的方法,由于使用了 T-SVD,该方法在压缩数据量方面也有独特的优势。这些实验结果充分证明了所提出的智能预测模型在实际应用中的优势,不仅预测精准,而且所需的资源更少,成本更低。