作为一种新兴的无监督方法,多视图聚类为研究多视图数据中的隐藏结构提供了一种好方法,并在机器学习和数据挖掘领域引起了广泛关注。一种流行的方法是识别用于捕获多视图信息的公共潜在子空间。但是,由于无监督的学习过程,这些方法仍然受到限制,并且它们受到来自不同视图的大量噪声信息的困扰。另外,还存在未考虑视图重要性差异的问题。本文从多视图子空间聚类的角度入手,针对上述两个问题,开展自监督深度多视图子空间聚类方法研究、自加权自监督深度多视图子空间聚类方法研究。本文的主要创新点如下:(1)针对当前多视图聚类方法受限于无监督学习过程、多视图数据包含大量噪声信息问题,我们提出了一种新颖的多视图子空间聚类方法,称为自监督深度多视图子空间聚类(Self-supervised deep multi-view subspace clustering,S2DMVSC)。它将谱聚类和相似性学习无缝集成到深度学习框架中。S2DMVSC有两个主要优点。一个是可以充分利用聚类结果来监督每个视图的潜在表示学习(通过一个分类损失)和多个视图的公共潜在子空间学习(通过一个谱聚类损失)。另一个是数据对象之间的亲和度矩阵是根据高层的类簇驱动的表示自动计算的。在包括原始特征和多种人工特征在内的两种场景下进行的实验证明了所提出的方法相对于最新对比算法的优越性。(2)针对大多数多视图聚类方法未考虑视图重要性差异、假设所有视图重要性一致问题,我们提出了一种新颖的基于自监督深度多视图子空间聚类的自加权多视图聚类方法,被称为自加权自监督深度多视图子空间聚类方法(Self-weighted self-supervised deep multi-view subspace clustering,S3DMVSC)。为了更好地衡量不同视图的重要性差异,通过一种巧妙的方式,它可以在不引入额外超参数的前提下自动为每个视图分配一个权重。另外,S3DMVSC中的由聚类结果产生的自监督信息可以有效地监督每个视图的潜在表示学习(通过分类损失)和所有视图的公共潜在子空间学习(通过谱聚类损失)。一系列实验证明了所提出的方法相对于最新对比算法的优越性。