随着信息获取和存储技术的飞速发展,观测数据呈现出大规模即高维度、大尺寸的特征,例如:大规模阵列信号处理中的观测数据在时间维度、空间维度、频率维度以及极化维度呈现高维度以及大尺寸特征,在本文中“维度”表示用于索引数据中任意元素所需要独立坐标个数,而“尺寸”表示数据在特定维度上的数据量,另外,将使用高维度和大尺寸具体指代大规模。张量,即多维数组,能够完整描述高维度数据中的多线性结构,适合表示和分析这类高维度数据。另外,张量典范多因子分解（CPD）能够使用较少的参数及紧凑的数学模型来表示张量数据,对数据具有较高的压缩效率,和具有良好的可唯一辨识性,因此获得广泛的研究和应用。然而传统的CPD分解算法受到“维度灾难”的影响已经不能满足当前大数据时代数据处理要求。为了解决这一问题,目前已经有许多学者展开了关于大规模张量CPD分解的研究,开发了一系列基于投影、随机化、张量网络等技术的算法,并取得一定的成果。然而这些算法大都忽略了同源样本间的相互耦合特性,例如,随机投影中不同次投影得到投影张量间可能存在的耦合结构;随机采样中不同张量样本间可能存在的多种耦合关系;通过张量网络分解得到的核张量间存在的耦合关系,而忽略这些耦合关系无疑会造成算法精度的损失。因此,本文将基于随机投影、随机优化、张量网络等技术手段,并在其中融入耦合分解的思想以挖掘子样本间的同源关联,提出几种针对高维度大尺寸张量的CPD算法。具体内容概括如下:首先,提出了一种基于耦合随机投影的大尺寸张量CPD分解算法。该算法将随机投影与耦合分解进行结合,对张量进行多次随机投影,并在特定的维度上使用相同的投影矩阵,得到一组具有耦合结构的张量,通过张量耦合CPD算法进行分解,最终恢复原始张量CPD分解因子矩阵。然后,提出一种基于高维度张量网络耦合分解的张量CPD分解算法。该算法在已有算法CPD-队列的基础上融入耦合分解的思想,通过挖掘各个核张量间的耦合关系,将其转化为一组具有耦合结构的张量,最终通过耦合CPD还原高维度张量CPD分解。接着,提出了一种基于耦合随机优化的大规模张量CPD分解算法。该算法基于耦合随机采样的思想,每次根据采样规则从大规模张量中采样若干个子张量,它们间存在特定耦合关系,通过耦合CPD对它们分解以更新原始高维度大尺寸张量的因子矩阵。最后,利用仿真实验对所提出算法进行对比并通过一个实际应用场景:大规模宽带阵列波达方向估计仿真验证了算法的有效性。