随着人工智能领域的飞速发展,数据获取的渠道愈发丰富,因此多视图数据越来越常见。相比于单视图数据,多视图数据包含的信息更加丰富完备,而利用对应的多视图学习算法可以从中挖掘更多有价值的信息。现实生活中高维数据会给机器学习算法造成“维数灾难”,特别是当样本量较小时,基于距离和度量的方法难以准确的判别分属于不同聚类簇的样本。近年来快速发展的多视图子空间聚类算法很擅长处理高维数据,但此类方法又对数据样本表示的质量很敏感。因此本文的研究工作将基于一种两阶段融合策略,即将表示学习与自表示子空间聚类结合,构建联合优化问题。具体来说,本文以子空间聚类为任务导向,深入挖掘多视图数据中潜在的一致性与互补性信息,为子空间聚类任务提供更加完备的隐表式。基于此,本文共提出三种研究方法,具体内容包括:（1）基于部分隐因子的多视图子空间聚类。当前多数的多视图子空间聚类方法通常更关注子空间表示矩阵的先验设定形式,却忽视了输入数据的表示质量对学习过程的影响。而一些结合了表示学习的算法又往往没有将多视图隐表示中耦合的一致性与互补性信息分离,导致学得的隐表示不适用于子空间学习阶段的先验约束。故本文提出一种基于部分隐因子的矩阵因式化方法,从多个视图的观测值中分离出相互耦合的互补性与一致性隐表示。同时,基于获得的隐表示,本文提出两种策略进行子空间聚类:特征级融合策略以及子空间级分层策略。前者将多种属性的隐表示融合,使原问题退化为一个单视图子空间聚类过程;而后者则为分离后不同属性的隐表示设计不同的自表示重构过程,使得施加在不同类型子空间表示上的先验约束能够对应合适的输入表示。此外,在上述过程中,还为目标函数中的各个损失引入动态权重,从而能够衡量各个视图在学习任务中的贡献,并消除不良视图的影响。（2）基于一致性与差异性诱导隐因子的多视图子空间聚类。将表示学习与自表示学习过程结合的多视图子空间聚类算法往往缺乏对隐表示的显示约束,此类方法总是通过施加在子空间表示上的先验限制间接影响隐表示的属性。因此,本文提出了一种基于部分差异性限制与局部流形结构保持的多视图隐因子提取方法,其在矩阵因式化过程中添加了两种对不同属性隐表式的显示约束。该方法不仅能够分离出多个视图间耦合的一致性与互补性隐表示,还能够通过希尔伯特-施密特独立性约束最大化不同视图互补性信息的差异性。此外,该方法还对各个视图的联合隐表示使用拉普拉斯正则化约束,使它们能够保持其对应的原始视图的局部流形结构,并同时保持组效应。基于获得的隐表式,使用子空间级分层策略进行聚类,使得该方法在表示学习阶段与子空间聚类阶段均利用到了来自多个视图的一致性与互补性信息。（3）基于注意力机制的深度多视图子空间聚类。传统子空间聚类方法在处理高度非线性数据时需要引入核函数方法,但核函数的选择对不同数据类型非常敏感,针对此类问题,基于深度学习的方法更有前景。本文提出了一种基于注意力机制的多视图深度子空间聚类网络,其可以深度挖掘多个视图间潜在的一致性与互补性信息。同时引入自注意力机制,根据不同视图对学习任务的贡献动态分配权重,以此来融合分属多个视图的一致性与互补性嵌入表示。此外,由于提出的网络结构复杂,且层数较深,训练时容易遇到模型退化问题,故引入跳跃连接模块,这一操作使得网络可以不用借助预训练策略,也能从头开始训练。最后,由于不同视图的数据分布具有差异,因此网络结构分属不同视图的编码器在编码时会相互干扰,影响模型收敛速率与效果。故本文提出一种简单高效的预训练策略,使得预训练模型收敛速率大幅提升,且极易找到模型训练的截至条件,同时,使用提出的预训练策略,可以进一步大幅提升模型聚类表现。综上所述,本文使用多种方法,将表示学习嵌入至子空间聚类的学习过程中,通过挖掘多视图数据中包含的一致性与互补性信息,为子空间聚类提供高质量的隐表示,进而有效提升模型的聚类性能。