随着国内传感器产业集群的初步形成,信息技术的高速发展以及以互联网为基础的现代社会的数字化变革,逐步形成了融合数字信息,物理信息,社会信息为一体的系统,即“信息-物理-社会系统”,又被称为CPSS。在“信息-物理-社会系统”不断发展的推动下,高阶高维的信号的处理和分析俨然已经成为了计算机科学领域以及信号处理领域的新的热门研究方向。然而,现有的数据结构例如向量和矩阵在数据处理中割裂了对象数据的多属性的特征,而以此为基础的匹配方案大多依托于概率统计模型,不足以满足“信息-物理-社会系统”对高维高阶信号的处理需求。而张量作为向量和矩阵在高维空间的拓展,是高阶高维信号更加自然而本质的表达,是处理和分析这类高阶高维信号的有力工具,可以更好的来挖掘信号的多属性关联信息。高阶奇异值分解（High-Order Singular Value Decomposition,HOSVD）是高阶高维信号张量化处理的一个有效手段。本文以张量为基础,实现了基于张量方程的多属性特征识别算法,并在此基础上对求取特征向量的高阶张量方法提出了较为详细的并行解决方案,本文的主要研究可归纳为以下几点:1.提出了基于张量方程的多属性特征识别算法,并将整体框架划分为三部分,分别为多属性特征提取、多属性特征匹配、多属性特征排名。详细介绍多属性特征匹配、多属性特征排名两个过程。然后本文提出一种方法即高阶GMRES子空间算法来解决在多属性特征匹配中主要的高阶张量线性方程问题。详细分析了算法的复杂度,并进行了应用实验。2.由于张量计算很容易出现内存溢出错误（OOM）,故提出了分布式高阶GMRES子空间算法。从空间并行和时间并行两方面进行算法优化。其中空间并行包括张量多模乘的优化和for循环体的优化,并以分析同步点的方式实现时间并行优化。最终给出了完整的分布式并行方案。3.研究上述并行方案的局限性,对张量多模乘的并行进行优化。分布式并行算法在lim^2K_N+M=1和lim^2K_N+M=0两种模型上有较大的局限性,通过张量内积并行优化第一个模型,并通过粗粒度并行优化第二个模型,并综合两种方案给出了张量多模乘并行优化算法。