近年来,随着互联网、移动互联网、物联网的普及和存储与通信技术的迅速发展,获取的数据量越来越大,具有巨大的潜在价值,数据已经成为人类社会发展的重要经济资产。机器学习从海量数据集中建立模型或者发现知识,为数据分析与数据挖掘提供了算法和技术,因此,机器学习作为探测数据价值的关键手段,在大数据研究中具有极其重要的位置。现实世界中许多数据以复杂高维形式呈现,数据包含非常多的属性或特征,对传统的机器学习是巨大的挑战。本文具体展开了以下几方面的研究:1、提出了支持张量描述和核支持张量描述,并将其用于感知张量数据的异常检测。将支持向量描述算法扩展到张量空间,构成支持张量描述算法。它能直接处理张量数据,不需要将张量数据展开成向量数据,从而保持原始数据的内部结构和数据间关联关系,避免“维数灾难”问题。通过张量的CP分解和内积,求解出支持张量描述的核函数,核函数取代张量内积,形成核支持张量数据描述,并设计了用于感知张量数据异常检测的算法,能有效地提高检测性能。2、提出了 OCSTuM和GA-OCSTuM方法,并将其用于传感器数据的异常检测。CP分解方法需要评估秩来逼近原始张量,使用Tucker分解能获得更精确的张量分解,而且Tucker分解可以通过调整核心张量的维数来减小维数,因此,Tucker分解用于压缩大规模数据中每个样本的属性。将单类支持向量机从向量空间扩展到张量空间,并应用Tucker分解,提出张量Tucker学习机（OCSTuM）;针对传感器数据存在大量的冗余信息问题,利用遗传算法进行数据的特征选择和搜索最优的模型参数,构建GA-OCSTuM算法,该方法能有效地提高检测性能。3、提出了极限张量学习算法。以神经网络为理论基础,将极限学习机的权值矩阵转化成高维张量表示,应用张量Tensor-Train分解低秩逼近原始张量,构建Tensor-Train层,该层取代神经网络模型中的输入层到隐含层的权值矩阵,形成极限张量学习算法,能在保持性能不变或下降很小的情况下,极大地压缩网络参数,减少存储量。以张量CP分解、Tucker分解、Tensor-Train分解和SVDD、OCSVM、ELM为基础,本文提出了支持张量描述算法、张量Tucker学习机和极限张量学习算法,实现了算法的性能提升。