随着大数据和人工智能等新兴信息技术的高速发展,传统的以压缩感知和低秩矩阵恢复理论为基础的稀疏和低秩恢复方法已经难以处理数据挖掘、计算机视觉以及模式识别等诸多领域所遭遇的高维张量型数据。在此背景下,以张量数据为载体的低秩张量恢复技术应运而生。但其解决实际问题的有效性,主要取决于对张量数据的深刻理解,基于不同的张量秩,存在不同的低秩张量恢复模型。目前,依托于张量奇异值分解代数框架,低tubal秩张量恢复由于其对真实张量数据潜在低秩特性更为高效的挖掘与重建,迅速成为业界学者的研究热点。本文围绕低tubal秩张量恢复中最基准的张量凸核范数极小化方法存在的奇异值过度且等距收缩这一问题,将许多流行的非凸tubal秩松弛统一在一个框架,提出并研究了加权非凸正则化低tubal秩张量恢复模型。首先,启发于非凸松弛方法在平衡低秩性与有效计算上的优势,提出张量tubal秩的广义加权非凸非光滑松弛作为一个更严格的正则化,它满足了一大组非凸罚函数的普适性,实现了比凸核范数更好的逼近,从而得到一个加权非凸正则化低tubal秩张量恢复模型。其次,针对所提模型,设计张量迭代重加权奇异值阈值算法对其进行优化求解,该算法采用连续技术,通过计算超梯度的值来定义权重向量,并利用广义加权张量奇异值阈值（Generalized Weighted Tensor Singular Value Threshold,GWTSVT）算子获得子问题的解。最后,通过合成数据实验与真实图像数据实验验证了本文模型的有效性。