发热呼吸道症候群（Febrile respiratory syndrome,FRS）是由多种病原体构成的具有一组相似临床病征的呼吸系统传染病临床症状。近年来,发热呼吸道症候群的病原体不断变化,发病率逐渐升高,严重的威胁着人类健康,对社会经济造成严重危害,因此构建发热呼吸道症候群时空病原谱对于我国发热呼吸道症候群流行病学特征研究及其预防、控制都有着重要作用与意义。但是,限于发热呼吸道症候群病毒的检测能力及各地区的医疗水平,监测数据在时空尺度上存在数据缺失、监测样本过少等问题,因此如何在更精细的时空尺度与多维数据结构上插补发热呼吸道症候群病毒检测数据是构建发热呼吸道症候群病原谱的重要问题,也是难点之一。本文根据中国疾病预防控制中心采集的发热呼吸道症候群病例个案数据整理得到发热呼吸道症候群6种病毒检测阳性率数据,将其映射到时空维度上,可构成病毒种类-城市-季度的三阶张量数据结构,分别采用张量分解——Non-negative ANDECOMP\PARAFAC分解算法（后文称非负CP分解）与张量填充——High accuracy Low-Rank Tensor Completion（后文称Ha LRTC,高精度低秩张量填充算法）对我国亚热带季风气候区2010年-2015年的发热呼吸道症候群病毒检出阳性率构成的三阶张量数据进行时空插补,采用均方根误差与决定系数两个指标进行精度评价,选择精度较高的插补结果进行发热呼吸道症候群病毒病原谱的时空制图。然后利用实验结果数据构建面板数据,运用多指标面板数据的系统聚类算法,识别研究区内各城市的发热呼吸道症候群病毒病原谱类型。本文主要研究成果包含以下两部分:1.分别采用非负CP分解算法与Ha LRTC算法对发热呼吸道症候群6种病毒阳性检出率构成的三阶张量数据进行插补,对比两种张量填充算法的特点。非负CP分解算法原理简单,计算效率较高,适用于随机缺失且缺失比例低的数据插补工作,但是插值结果不稳定,数据缺失率大时精度下降较快;Ha LRTC算法数据填充精度较高,计算结果稳定,但是运行效率相对较低,适用于数据量较小的情况。经过实验,最终选择精度更高的Ha LRTC算法的实验结果作为最终结果。根据插补得到的结果数据制作病毒病原谱的时空分布图,得到各亚热带季风区城市的病毒病原谱,分析病毒病原谱时空分布特征。2.运用多指标面板数据系统聚类,对亚热带季风区城市的病毒病原谱进行分类,根据精度评价标准,最终确定分为3个发热呼吸道症候群的病毒病原谱类型区,对不同病毒病原谱类型区的分布特征与病毒病原谱进行分析,给出有针对性的防控意见。