针对视频图像、医学图像以及高光谱图像等具有多线性结构的高维数据的处理,张量建模由于能够较好地刻画高维数据内部结构而受到越来越多的关注。在张量建模方法中,张量低秩建模是最常使用的方法之一。在张量低秩建模的实际计算中,通常需要对张量各个模态展开矩阵进行奇异值分解,当张量数据量较大的时候,基于传统奇异值分解的张量计算的计算量非常大,也成为张量逼近实际应用的主要瓶颈。针对这个问题,本文提出一种基于分组并行奇异值分解的张量分解方法,有效提高了张量低秩逼近模型的计算效率。另外,现在的张量逼近模型一般基于数据受到高斯噪声污染这一假设。但事实上在夜视监控等实际场景中,视频图像序列通常受到泊松噪声的污染。因此本文提出了多成分视频图像序列的泊松去噪模型,并基于分组并行奇异值分解设计了快速算法。论文主要工作如下:（1）提出了一种基于分组奇异值分解的并行算法,我们在计算模展开矩阵的正交基时,通常的方法就是直接对模展开矩阵进行奇异值（singular value decomposition,SVD）分解。这样做的计算效率是很低的,因此我们通过将模展开矩阵的列进行分组,并行地求解每一类矩阵的正交基。然后再把求得的所有正交基进行融合,利用融合矩阵的正交基来做为张量模展开矩阵的正交基,这样做的可以大大减少计算正交基的计算量。（2）提出了一种基于快速低秩张量逼近的视频泊松去噪方法。针对视频的泊松去噪问题,由于视频序列图像是一个三维数据,因此可以看作为一个张量,考虑视频序列图像的特点,将原始视频张量看作一个低秩的背景张量加上一个稀疏的目标移动张量之和,并利用上一个工作提出的分类张量秩,通过交替方向乘子法对模型进行求解。通过数值实验,验证了提出的方法能够解决视频泊松去噪问题,并且与其他方法相比较实验的时间大大的减少。