随着信息技术、计算机技术、通信技术的快速发展,信号的表现形式从单一到丰富多彩,出现了各式各样的信号表达形式,如视频信号、图像信号、化学信号、雷达信号、音频信号、基因信号等。信号也由一维信号发展到高维信号。由于信号的多维表示体现了信号在不同属性子空间的物理意义,可以反馈属性之间更多的潜在结构信息,而张量作为向量和矩阵在高维空间的扩展,是这类高维信号集自然而本质的表达方式,因此本文将用张量来表示高维信号。张量分析作为近年来被广泛使用的多线性分析工具,可以处理有多个影响因素的信号,将信号的各个属性关联起来,包括信号的高阶扩展形式或者本身具有多维度的信号,因此张量分析在信号处理、人工智能、计算机视觉等领域取得广泛应用。而在信号分析过程中,许多信号仅从时域角度分析时区分度小,反馈信息少,为了提取更多特征,需要通过傅里叶变换将信号从时域转换到频域中,从而更加高效的进行信号分析,利用傅里叶变换可以进行信号去噪、故障检测等。随着科技的发展数据集也在连续不断的更新,因此增量算法对于分析处理多属性数据也非常重要。本文将对在频域具有更显著特征的多属性信号进行研究分析,通过傅里叶变换提取其频域特征,并以张量作为多属性信号的基本表示方法。针对规模庞大且种类复杂的多属性信号进行张量建模,以便对多属性信号的分析。应用张量分解方法,完成对多属性信号特征的提取和分析,并对多属性信号的分析过程进行概括总结,提出一种能够应用于多属性信号分析的框架。分析T-SVD分解算法,应用Lanczos算法对T-SVD分解算法中的矩阵奇异值分解部分进行改良,得到T-SVD分解改良算法,改良后的算法能够提高运行效率。以轴承故障识别为应用实例,验证T-SVD分解改良算法的高效性。提出三阶张量T-SVD分解的一阶增量算法和二阶增量算法以提高计算效率,并将该算法应用在本文提出的多属性信号分析框架上,以音频识别为例验证三阶张量T-SVD分解增量算法在该框架下的高效性。