Con el rápido crecimiento de los datos en streaming, los métodos tradicionales de descomposición de tensores apenas pueden manejar datos de alta dimensionalidad en tiempo real de cantidades masivas en este escenario. En este documento, se propone un método de descomposición de Tucker de tensor incremental paralelo de dos niveles con crecimiento multi-modo (TPITTD-MG) para abordar el problema de baja paralelización de los métodos de descomposición de Tucker existentes en datos en crecimiento de gran escala, alta dimensionalidad y dinámicos. TPITTD-MG involucra dos mecanismos, es decir, un mecanismo de partición de sub-tensor paralelo basado en la programación dinámica (PSTPA-DP) y un método de actualización paralela de dos niveles para matrices de proyección y tensores núcleo. El primero puede contar los elementos no nulos de manera paralela y utilizar la programación dinámica para particionar sub-tensores, lo que garantiza una asignación de tareas más uniforme. El segundo actualiza las matrices de proyección o los tensores núcleo implementando el primer nivel de actualizaciones paralelas basado en la estrategia de cálculo paralelo MTTKRP, seguido por el segundo nivel de actualizaciones paralelas de diferentes matrices de proyección o tensores de forma independiente basado en la clasificación de sub-tensores. Los resultados experimentales muestran que la eficiencia de ejecución mejora en casi un 400% y la uniformidad de los resultados de partición se mejora en más del 20% cuando la escala de datos alcanza un orden de magnitud de decenas de millones con un grado de paralelismo de 4, en comparación con los algoritmos existentes. Para tensores de tercer orden, en comparación con el algoritmo de actualización de una sola capa, la eficiencia de ejecución mejora en casi un 300%.