针对城市道路网络环境下各种软/硬件故障导致的交通数据缺失问题，提出了一种基于时空残差张量学习（spatial-temporal residual tensor learning，ST-RTL）的交通数据修复方法。该方法通过构造带缺失值的三维交通张量以最大程度表征原始路网时空信息；并在高斯分布假设基础上，采用Gibbs采样完成对缺失数据的CANDECOMP/PARAFAC（CP）张量分解与低秩重构。考虑到张量修复过程产生的残差值，研究设计一种可动态迭代的双向残差优化结构以捕捉剩余时空依赖特性，实现对缺失交通数据的精准修复。采用公开的杭州地铁客流数据进行模型构建与验证。结果表明，当缺失率为10%~80%时，三种缺失场景（随机、聚类和混合缺失）对张量结构破坏存在较大差异，其中聚类缺失的破坏程度最大，此时，ST-RTL的评估指标MAPE、RMSE和MAE分别位于3.1071~7.0371、16.3779~58.4286、3.7434~8.0135；且随着缺失率递增，ST-RTL模型各指标呈加速增加趋势。与HaLRTC、GAIN和BGCP等代表性基准模型相比，所建立的ST-RTL模型在可接受计算代价范围内具有更低的性能指标和更强的稳定性，能为智能交通系统提供高质量的基础数据。