随着信息获取技术的发展,现实数据呈现多维度高稀疏的发展趋势。传统的矩阵分解这种把高维数据转化成矩阵的处理方式已经无法满足大数据时代的要求。稀疏张量出现在许多具有多维和稀疏数据的大规模应用程序中,张量分解是矩阵分解在高维空间上的扩展。不同于矩阵分解,张量分解在提取数据内在的低维结构特征的同时,保留数据在高维空间的隐藏联系。矩阵化张量乘Khatri-Rao乘（MTTKRP）是张量分解中的基本运算,尤其是在CANDECOMP/PARAFAC（CP）分解中。CP分解将一个张量分解为若干性质更简单的张量,常用交替最小二乘法（ALS）进行并行加速。在求解大型稀疏张量的ALS算法中,其主要计算量是MTTKRP,因此高效计算MTTKRP是提升张量分解的核心重要环节。近年来GPU的快速发展,其独特的并行架构适合密集型和高度并行的计算。然而不规则的计算模式和稀疏结构以及稀疏张量操作的大内存占用使得稀疏张量计算具有很大的挑战性。本文从加速张量运算中的MTTKRP计算着手,以并行技术为基础,首先针对现实数据的高维稀疏特点,采取压缩格式进行存储提高内存利用率;然后针对不同压缩格式,设计CPU并行实现算法;最后结合GPU的并行方式和存储特点,设计GPU的MTTKRP并行算法,优化线程执行方式,提升算法的并行效率。本文的主要工作如下:针对张量的高维稀疏特性,分析了稀疏张量的不同存储格式。在CPU平台上设计不同稀疏格式的MTTKRP并行算法,减少对稀疏张量中的空切面和空纤维的计算。考虑到纤维和切面的索引与因子矩阵的关联,本文将计算过程分解为向量内积操作,即纤维与矩阵列计算,减少MTTKRP的迭代次数和冗余计算。实验证明,在CPU上针对电影标签数据集最高可以实现3.67的加速比。基于分层的张量存储格式设计GPU的并行算法。首先将稀疏张量按照切面进行分组,提出切面级并行的MTTKRP。其次,提出合并存储的MTTKRP,实现合并访存和数据复用,实现纤维之间的并行。之后使用共享内存存储切面的中间结果,降低访存延迟。最后设计线程束执行方式以提高算法并行度,采用交错归约按行得到结果矩阵。对于本文提出的张量运算中的MTTKRP优化算法,使用公开电影标签数据集测试。实验证明,在GPU上平均实现1.59倍加速,最高可达3.58倍的加速。