近年来,由于数据采集技术的快速发展,多视图数据在实际生活中越来越常见。多视图学习就是将多个视图的信息结合起来进行学习的方式,以获得更好的结果。然而噪声、数据采集的故障等许多无法预料的因素导致数据缺失,数据会在单个视图或多个视图中随机缺失,不完整多视图聚类就是对此类有缺失的多视图数据按照一定规则划分成几个簇的过程。以往的常规方法无法直接处理此类数据,因为它们都是在所有视图都没有缺失的的前提下进行学习的。不完整多视图数据聚类就是研究如何在数据缺失的情况下,综合考虑多个视图,尽可能利用有效信息去除无效信息,提高聚类准确度。虽然近年来研究人员提出了一些不完整多视图聚类方法,但依然存在着一些不足,比如有的方法不能处理超过两个视图的多视图数据,然而在实际生活中很多多视图数据都不止两个视图。有的方法时间复杂度较高,很难处理大规模数据集。有的方法参数太多,难以调参。有的方法对数据的缺失情况要求较高,要求至少有一个完整的视图或者要求多个视图之间必须有对齐部分（有样本包含所有视图特征）。因此,本文做出了相关研究,提出了两种方法来解决以前方法的上述不足。1.本文提出了基于锚点的自适应不完整多视图聚类算法。该算法首先选择多个视图的公共部分作为锚点来构建锚点图,然后使用自适应邻居分配策略来构建样本和锚点之间的相似度,最后,在一致性矩阵上执行谱聚类得到聚类结果。我们的方法不仅避免了繁琐的参数调节,还具有很好的扩展能力,可以扩展到两个以上的视图,更易于实际应用。2.当多个视图之间没有公共对齐部分,也就是当没有样本包含所有视图特征时,以前的很多方法都没法进行聚类。因此我们提出了一种更通用的不完整多视图聚类方法。该算法先求解每个视图中未缺失样本间的相似度,在此基础上,对每个视图的权重分布进行调节,使关键视图的权重增大,最后加权融合生成一致相似度矩阵。该算法充分发挥了多视图数据的优势,不同视图的信息彼此加强,提高了聚类性能。此外,该算法时间复杂度低,适合大规模数据集。在多个数据集上的实验验证了我们方法的可行性,与现有的方法相比,我们的方法简单,易于实现,在运行时间更少的同时提高了聚类准确性,具有较高的理论和实践意义。