现实生活中,同一物体往往可以通过不同的视角进行描述,从而产生了大量的多视角数据。尽管通过不同视角的描述,同一个物体可以获得更好的表示,但是同类不同视角的数据之间巨大的差异,也给跨视角数据之间的分类任务造成了很大的挑战。因此,跨视角分类问题具有重大的研究价值。近年来,基于低秩多视角子空间学习(Low-rank Multi-view Subspace Learning,LMvSL)的方法可以有效地解决跨视角分类问题,其通过对子空间的低秩约束学习到一个公共的投影矩阵,将不同视角的数据投影到一个公共子空间,从而得到视角无关的特征来解决跨视角分类问题。尽管现有基于LMvSL的方法已取得了巨大成功,但是它们都不能很好地消除视角差异,同时增强视角间判别性。为了解决这个问题,本文提出结构低秩矩阵恢复Structured Low-rank Matrix Recovery,SLMR)算法,并利用交替方向乘子算法进行算法求解。通过对块状对角低秩矩阵的恢复,SLMR得到了理想的子空间表示系数,从而有效地消除了视角差异性,并且提高了视角间判别性。接着,本文在四个公共数据集上的实验证明了SLMR方法的优越性。另外,现有基于LMvSL的方法在处理带有噪声的多视角数据时都假设噪声服从预先假设的分布(例如高斯分布,拉普拉斯分布等),然而现实情况下,复杂噪声往往服从一些未知的分布从而会违背这些预先假设。为了减少上述局限性,本文将众数回归融入到SLMR算法框架得到最终的模型(记作MR-SLMR),并通过半二次理论来对该模型进行求解。不同于以往的基于LMvSL方法,MR-SLMR可以处理任何的0众数分布的噪声数据,包括高斯噪声,随机噪声以及离群点噪声等现实情况下大部分的噪声。最后,本文在公共数据库上对四种常见噪声进行了实验分析,实验结果验证了众数回归噪声建模方法对噪声的鲁棒性。