随着数据采集技术和数据提取技术的迅猛发展,现实世界中获得了大量的多视觉数据。一般来说,不同视觉的数据可以为彼此提供互补信息,这对于实际应用是很有帮助的。因此,多视觉数据分析被广泛应用于数据挖掘,信息检索以及多媒体等领域,多视觉聚类是多视觉学习领域的一类代表算法之一。实际应用中,由于数据采集设备的故障或者传输过程中的随机噪声的影响,经常会出现某一视觉部分数据缺失的现象,这会直接导致现有多视觉数据聚类算法性能极速下降。针对这样的数据,现有的不完备多视觉聚类方法被提出,它们多通过线性映射补全缺失数据的子空间或系数矩阵,再将多视觉数据分成不同的簇。这些方法忽略了视觉间的空间结构,导致提取的非线性特征不能较好地刻画多视图数据的互补信息;没有考虑补全视觉的多样性及真实性,导致聚类效果不好。针对上述问题,本文通过对多视觉聚类算法和缺少补全算法进行深入分析,从不同角度对算法进行改进。本文主要内容如下:(1)针对现有不完整多视觉聚类算法信息浪费,计算量大,补全视觉的多样性及真实性差等问题,本文以生成对抗网络为基础,利用多视觉数据的互补性充分学习不同视角之间的射关系,提出基于GAN的不完整多视觉聚类算法,即GP-MVC。当多视觉数据集某些视觉数据存在大比例缺失时,该算法仍然可以修复数据并获得比较可信的聚类结果。本文在MNIST、HW以及BDGP三个常用的多视觉数据集上以缺失比例0.1,0.3,0.5,0.7,0.9上进行了充分的实验,结果证明本文提出的方法提升了缺失多视觉数据的聚类性能。(2)GP-MVC只考虑了不同视觉数据之间的差异性和互补性的特点,没有考虑多视觉数据之间一致性信息,为了进一步提升不完整多视觉数据聚类算法的性能,本文提出基于一致性生成对抗网络的不完整多视觉聚类算法,即CGP-MVC。该算法可以为不完整多视觉数据学习一个共享的潜在特征,不仅可以捕获用于聚类的不同视角的一致性信息,也可以修复缺失数据。多个数据集上的实验结果证明了本文算法的优越性。