Tucker分解是一种被广泛使用的张量分解算法,其中带正交约束的Tucker分解算法能更好地获取原始数据的低秩近似,而非负约束通常能够让模型更具有可解释性。现有的非负Tucker分解算法主要存在以下问题:（1）超参数需要人工调节使得算法缺乏普适性;（2）计算过程中存在大量冗余运算;（3）大规模情况下,这些算法需要将数据整体载入内存,且仍可能存在多维n模积计算、SVD求解、矩阵求逆、QR分解等运算复杂度较高的中间过程,进而导致内存溢出、运算时间长等问题。为解决以上问题,本文提出一个基于非负正交约束的大规模Tucker分解算法NNO＿LSTD（Large-Scale Tucker Decomposition algorithm based on Non-Negative Orthogonal constraints）。首先,针对超参数调节问题,本文通过利用正交性质,推导出正交性参数和因子矩阵列的闭式解,从而达到自适应调节参数的目的。其次,针对冗余运算问题,本文利用原始张量的稀疏性,仅对可见元素做针对性求解,并结合缓存算法,大大减少冗余计算量。最后,针对大规模的内存溢出及运算速度慢的问题,本文依据计算资源自适应调节算法,避免内存溢出;对于高复杂度的运算,本文提出相应的并行方案,加速了算法的运行速度。为了验证算法的有效性,本文就中小规模、稀疏性以及大规模三个不同角度进行实验,并将其应用于卷积神经网络的可解释性压缩以及张量补全。实验表明,与现有算法相比,所提算法有效解决上述问题,并且在中小规模下取得了更高的分解精度,而在大规模下仍能够有效运算。另外,由于算法利用了张量数据的稀疏性,使得稀疏数据下的运算速度得以显著提升。在深度卷积神经网络的可解释性压缩应用上,本文对网络中的卷积层添加非负性约束,并使用NNO＿LSTD对卷积层权重核进行降维。实验表明,相比已有网络压缩方法,所提方法有效压缩网络大小,且特征图的可解释性大大提升。在张量补全的应用中,通过实验验证,算法在中小规模数据上具有优于已有算法的补全性能,并为大规模的张量补全提供了一种可行方案。