面对来源不同的复杂属性的多视图数据,传统的聚类方法性能受限,基于图学习的多视图聚类算法因其简单、有效的特点受到广泛关注。然而,现有的基于图学习的多视图聚类方法通常直接学习多个视图的共识关系图,难以准确的表达所有视图的真实结构信息,从而降低算法的聚类准确性。针对此问题,以图论为理论基础,结合多视图学习、局部结构保持、张量学习等前沿学术思想,深入挖掘数据样本之间的结构关系和多个视图不同的信息表征能力,揭示数据真实的簇结构,对基于图学习的多视图聚类方法进行研究和探讨,主要内容如下:提出了一个基于隐嵌入空间学习的鲁棒的多视图聚类方法,解决了原始特征中包含光照噪声等不利因素影响的问题。该方法首先设计一个隐嵌入空间学习模块,来降低原始特征中噪声和“维度灾难”等不利因素的影响;随后,在学习的隐嵌入空间中,学习隐嵌入表示的关系图,并将一个优化评估器用于学习的关系图,来增强算法的鲁棒性。针对算法的优化问题,采用一种交替迭代的算法来优化目标函数。实验结果表明,所提出的算法性能明显优于当前最新的方法,证明了隐嵌入空间学习方法的有效性和优越性。提出了一个基于高阶相似性学习的多视图聚类方法,解决了基于多视图嵌入空间图学习的聚类方法忽略学习数据样本之间的邻近结构关系,且没有充分学习每个视图固有信息的问题。该方法首先设计一个一阶、二阶相似性协同学习模块,该模块能够挖掘数据样本之间的局部结构关系和邻近结构关系;然后,设计一个高阶相似性学习模块,该模块能够同时学习每个视图的关系图和多个视图的共识关系图,且共识关系图和每个关系图交互促进学习。最后,设计一种有效的交替迭代算法来优化目标函数,并从理论上分析和实验验证了所提算法的计算复杂度和收敛性。在真实的数据集上对所提出的算法进行评估,实验结果验证了高阶相似性学习的有效性。提出了一个基于多阶相似性学习的多视图聚类方法,解决了基于多视图高维空间图学习的聚类方法难以挖掘多个视图的空间一致性问题。该方法首先设计一个一阶、二阶相似性协同学习模块来挖掘数据样本之间的局部结构关系和邻近结构关系;随后,设计一个基于张量的三阶相似性学习模块来挖掘多个视图之间的三阶相关关系。针对模型的优化问题,采用一种交替迭代算法来实现,并从聚类精度、参数灵敏度分析和收敛性分析等方面对所提出的算法进行分析和评估。实验结果验证了多阶相似性学习对聚类任务的有效性。提出了一个多视图完备图聚类方法,解决了基于张量空间图学习的聚类方法没有全面的挖掘多个视图相关关系的问题。该方法设计一个一阶相似性、二阶相似性、三阶相似性协同学习模块和视图之间的交互学习模块,全面的学习数据样本之间的多阶相似性关系和视图之间的多阶相关关系。其中,预定义关系图和每个关系图之间的交互学习能够促进学习一个完备的关系图。采用一种交替迭代算法优化目标函数并从理论上验证了算法的收敛性。此外,通过关系图对比实验、计算复杂对比实验和参数灵敏度分析实验等三个方面评估所提出算法的有效性。实验结果表明所提出的算法性能明显优于所提出的基于张量空间图学习的多视图聚类方法。综上所述,从基于图学习的多视图聚类方法出发,逐步提出了基于隐嵌入空间学习的多视图聚类、基于高阶相似性学习的多视图聚类、基于多阶相似性学习的多视图聚类和多视图完备图聚类等聚类方法。实验表明所提算法能够显著提高聚类性能,并为基于图学习的多视图聚类方法的应用提供理论参考依据。