当今社会作为一个数字化时代的社会,数字的结构关系以及数字的关联性的作用比数字本身起着更大的作用。同时随着数字化程度在各行各业的深入,数据规模与数据关联性的复杂度也成几何倍数增长。为了能够处理这些数据,原先只在力学系统中使用的张量开始被用于描述这些复杂数据的关联与结构。而且由于张量能适于表现高阶数据,张量模型现在成为了当前很多领域的研究热点,并且在数据挖掘,图像处理等领域中用于描述其数据结构。人们为了研究与分析张量,与张量配套的分析方法也在研究之中。但是原先把张量转化为矩阵的分析方式会产生很多问题:例如,第一,张量的结构信息被破坏;第二,直接将张量向量化可能会导致较高的计算复杂度,过拟合问题以及较大的内存需要。因此,张量的分析方法如果需要不破坏数据结构与数据关联性,则张量分解就是符合要求的张量分析方法。不过由于张量本身就是一个比较新的概念,不仅配套的算法工具有限,算法实现也都仅限于PC平台,无法在别的平台上运行。FPGA作为当前流行的可编程算法定制平台,从手机定制芯片到高性能计算机的可重构计算平台,很多都使用FPGA作为定制模块。同时FPGA平台具有丰富的运算与逻辑资源,还有运算能力强、能耗比高、可重构等优点。若张量分解算法能够在FPGA平台上实现,那张量分解算法的应用范围将被大大拓展。本文主要针对张量分解中最常用的两个算法——CANDECOMP/PARAFAC分解(以下简称CP分解)与Tucker分解进行阐述与说明;同时将FPGA作为实现平台,对算法进行修正,给出一种基于FPGA的张量分解计算单元的设计。并且,本文以人脸识别作为应用背景,分别测试CP分解与Tucker分解在应用场景中的性能。CP分解用于人脸复原,Tucker分解用于人脸分类。结果表明,张量分解在FPGA平台的性能表现优于其在CPU平台上的性能表现;结果同时也表明,张量分解在算法性能上的表现也优于传统算法。