多视图数据是指对同一物体从不同视角进行描述的多个特征子集。充分挖掘视图间的一致性和互补性信息,对来源不同的特征子集加以融合进而做出更合理的决策是多视图学习的主要目标。典型相关性分析（CCA）是多视图学习中的重要方法,旨在为各视图寻找一个公共子空间以最大化视图间的相关性。传统的CCA方法只能处理两个视图的线性关系,无法应用于包含多个视图的、非线性的数据集。如果将CCA作为一种降维方法应用到分类、回归等识别任务中,由于标签信息被浪费,将不利于任务效果的提升。针对上述问题,大量非线性的、针对多个视图的、有监督的基于CCA的多视图学习方法被提出。本文主要开展基于CCA的多视图学习方法研究,一方面对现有的经典扩展方法进行理论和实验相结合的对比分析;另一方面,在现有方法的基础上,创新性地提出两种新的基于CCA的多视图学习方法,分别适用于大数据集和高维度小数据两种情形。希望该工作能够为多视图学习方向的研究者提供更完整的视角和新的研究思路。本研究主要包含以下三部分内容:（1）对基于CCA的多种扩展方法进行了对比分析。首先详细介绍了部分经典的基于CCA的多视图学习方法,从原理上分析了方法间的相似性和差异性,然后在12个公开数据集上对比了18种方法在无监督的相关性映射任务和有监督的分类任务中的性能差异,并探究了映射之后不同的视图融合方式对分类准确率的影响。这一工作可以为研究者在具体的任务中选择基于CCA的多视图学习方法提供参考。（2）设计了一种端到端的典型相关性分析网络e CCAnet。该模型将视图的非线性映射和相关性映射集成到深度神经网络中,使用梯度下降进行典型向量的学习。相比其它基于深度神经网络的模型而言,e CCAnet实现了视图直接从原始特征空间到相关空间的映射,有效简化了训练流程。实验结果证明,在两个视图和多个视图的相关性映射任务中,e CCAnet都明显优于现有方法,在取得高相关性的同时实现了更低的视图内信息冗余;在有监督的分类任务中,e CCAnet的分类准确率高于单视图和无监督的模型,再次证明了模型的灵活性和有效性。（3）提出一种新的判别式稀疏广义典型相关性分析方法（DSGCCA）。该方法结合广义CCA中将不同视图映射到共同子空间的思想,将单视图降维方法扩展到多视图学习中。DSGCCA解决了基于CCA的多视图学习方法处理高维度小数据集困难的问题,不仅充分利用了标签信息,使得该多视图降维方法更适用于分类等任务中,而且可以处理包含任意多个视图的数据集。实验结果表明,相较于其它基于CCA的多视图方法而言,分类准确率有明显提升,证明了所提出方法的有效性。