在模式识别、计算机视觉和数据可视化等领域的实际应用中,同一个物体通常被表示为多个高维特征空间中的数据,即多视图数据。多视图数据往往比单视图数据包含更多的互补信息,更有利于分类,因此,近年来多视图学习技术得到了越来越多的研究者们的关注。本文主要针对多视图学习技术中的子空间学习方法进行研究,并将主要研究内容总结如下:一、提出了一种多视图局部鉴别学习方法——基于随机子空间的多视图局部鉴别投影(RSMLDP)。一方面,RSMLDP解决了直接使用原始高维数据构造近邻图易受噪声的影响从而影响分类性能的稳定性;另一方面,RSMLDP充分利用了样本的标记信息和局部信息,有效地挖掘了多视图样本的鉴别特征和内在的局部结构信息。首先,RSMLDP利用随机子空间技术,对原始数据进行随机特征选择,将多次随机特征选择后的特征子集进行融合后,在融合后的低维特征子空间中为每个视图构造近邻图;接着为每个视图学习一个鉴别的投影变换,使得在该变换空间上,每个视图的同类近邻样本相互靠近,异类近邻样本相互远离,同时样本的总体局部结构信息能够得到保持。在MNIST手写体数字图片数据库、COIL-20物体数据库、Multi-PIE人脸数据库和Caltech-101大规模物体数据库上的实验结果验证了RSMLDP方法的有效性。二、提出了一种多视图鉴别与相关性分析方法——多视图局部鉴别与典型相关性分析方法(MLDC~2A)。如何更全面地挖掘多视图数据的鉴别信息和相关性信息,同时如何更好地利用多视图样本的局部信息来提高算法的分类性能是MLDC~2A主要关注的问题。为了实现这个目标,MLDC~2A为多视图数据联合学习了一个公共子空间,最大化该子空间上视图内和视图间的局部类间变化和最小化该子空间上视图内和视图间的局部类内变化,同时最大化了不同视图间的相关性的和,从而从视图内和视图间的角度有效地挖掘了鉴别特征、典型相关性特征和局部几何结构信息。实验结果也表明了MLDC~2A中设计的针对视图间鉴别项和视图间局部项的有效性。三、提出了两种多视图潜在完整空间学习方法——多视图完整空间与局部相关性分析(MISLC)和半监督多视图流形鉴别完整空间学习(SM~2DIS)。MISLC是一种无监督多视图潜在完整空间学习方法,其目的是为每个原始多视图样本数据学习潜在完整的特征表示,并揭示了学得的潜在完整空间中所有特征表示的局部相关性信息。具体来说,两个不同的原始数据如果位于同一流形,则希望为它们学得的完整特征表示之间的局部线性相关性也能得到很好地揭示。为了达到这个目标,首先,MISLC设计了基于集合的局部相关项,将每个原始样本点的多视图特征看成是一个集合,并在所有集合上构造近邻图,然后通过最大化完整空间中邻域特征表示间的相关性来挖掘该空间上的相关性信息。同时,最小化每个视图数据与其对应的多视图数据生成点之间的重构误差,使学习得到的特征能够全面地表示其对应原始空间中的多视图数据。在实际应用中,获取所有样本的标记信息虽然难度较大,但有效利用部分有标记样本的信息能增强学习模型的鉴别性能。如何同时充分利用部分有标记样本的类别信息和无标记样本的信息是SM~2DIS主要研究的内容。SM~2DIS是一种半监督潜在完整空间学习方法,设计了半监督多视图流形鉴别项,不仅为原始空间中有标记的多视图数据部分学习鉴别的完整特征表示,而且提取了完整空间中数据的局部几何结构信息,进一步增强了分类性能。为了达到该目的,SM~2DIS使得生成的类内多视图数据点之间相互聚集,同时生成的类间多视图数据点之间相互排斥。SM~2DIS利用所有的视图生成矩阵来重构原始的多视图数据空间,因此每个学到的特征表示都是完整的。此外,SM~2DIS使用原始空间中所有样本点(包括有标记和无标记)构造近邻图来挖掘完整空间中特征表示的流形结构信息。在四个数据库上的实验表明了所提MISLC方法能获得较相关方法更好地分类性能。同时实验结果也表明了SM~2DIS方法能较好地应用于半监督场景下的图片分类,性能优于其它代表性的半监督潜在完整空间学习方法。