新兴的单细胞RNA测序（scRNA-seq）技术使得研究人员能够以单细胞级别的分辨率研究细胞的基因表达,这让研究细胞的异质性信息成为可能,具有重要的研究价值。但由于捕获效率,批次效应等技术缺陷,scRNA-seq中的Dropout现象导致所获取的基因表达矩阵存在缺失值和噪声,阻碍后续的细胞下游分析。本文在考虑单细胞数据的异质性和低秩性的基础之上,对单细胞数据集的补全进行研究,主要工作如下:（1）参考经典的矩阵分解的方法,并综合考虑单细胞的低秩性和异质性,构建三阶低秩张量,相比传统的矩阵分解方法,一方面张量包含了更多的同类细胞信息,另一方面,张量的构建避免依赖聚类算法的结果,更大概率的将同类型的单细胞数据整合在同组中,在高缺失率的情况下仍能够保持较好的结果。（2）本文设计了一种针对单细胞的补全方法scLRTC。对构建的三阶低秩张量进行建模,通过分析比较各种张量补全的优劣,并综合考虑单细胞数据的特性,采用张量秩最小化模型,通过张量迹范数跟踪张量的秩,并使用ADMM算法进行求解,最后将张量按照特定规则转化整合为矩阵。从而完成对单细胞基因表达矩阵的补全。（3）为了说明scLRTC的对单细胞数据的补全效果,本文在9个单细胞数据集上,从5个方面设计实验验证。实验结果表明,scLRTC与其他7种方法相比,误差最小,且对高缺失率的数据仍能保持较好的效果。能够大幅提高聚类算法的效果;改善单细胞数据的降维可视化结果;恢复数据集中细胞-细胞和基因-基因的相关性,得到最接近真实数据集的差异表达基因。此外,对于有时间序列信息的单细胞数据集,scLRTC还可以提高细胞发育轨迹的推断算法的准确性。最后,本文对单细胞数据补全的研究工作进行了总结,并对今后的工作进行展望。