多视图学习由于可以挖掘多视图数据的内在关联,获得更好的模型性能而在机器学习和数据挖掘领域受到广泛重视。尽管一些有效的算法被逐步提出,但是不论传统的多视图学习算法还是基于深度的多视图学习方法在多视图数据的关联探索上都缺乏较好的可信性。目前多视图学习仍然存在两个关键难点:（1）决策层关联的可信性,即如何利用不确定性及决策融合框架提供可信的多视图决策融合和多视图关联;（2）表示层关联的可信性,即如何通过多视图解纠缠实现多视图表示关联的可解释性,增强模型整体可信性。为此,本文围绕可信关联多视图学习这一主题,针对上述两大难点分别从决策融合和表示融合两个方面提出了多视图机器学习算法。本文主要贡献可以总结如下:（1）本文提出了一种多视图分类模型,旨在根据每个视图的不确定性厘清不同视图与标签之间关联,以有效且高效的方式提供可信的决策,从而在多视图分类中引入了新的范式;本文所提出的模型是一个样本自适应的多视图集成统一框架,该框架以可优化（可学习）的方式将证据级别的多视图信息基于Dempster-Shafer理论进行集成;通过准确估计每个视图的不确定性,使所提出的模型能够提高分类结果的可信性和鲁棒性。（2）本文提出了一种可信多视图解纠缠表示学习模型,具有明确条件的可信多视图解纠缠表示学习可作为将来对该问题进行研究的基础和探索;基于信息论的多视图解纠缠可以准确地将信息分解为共享表示和互斥表示,并激发新的潜在应用和增强模型可解释性与可信性;不同于单视图无监督解纠缠表示学习[1],所提方法从新的角度为无监督解纠缠表示学习提供了一个新范式:分解不同视图之间的相关性,而不是每个视图中的可解释因素;大量实验证明所提出的基于信息论的多视图解纠缠算法可以将数据从多种视图中准确解纠缠为预期的共享和互斥表示形式。