随着数据来源的多样化,拥有多种表达方式的多视图数据出现在各个应用场景中。这些多视图数据普遍维数较高,数据量较大,并且常常缺失标签信息,因此,对多视图数据以无监督方式进行学习,分析和挖掘其中潜藏的价值信息显得颇为重要。本文在大量阅读和理解前人工作的基础上,提出了几种面向多视图数据的降维与聚类算法,具体内容如下:(1)提出了一种面向多视图数据的近邻结构保持降维算法。该算法在每个视图上构造带权邻接图来反映样本之间的近邻关系,并构造任意两个视图间结构相似性约束表达。在此基础上,寻找联合嵌入低维子空间,使得原高维空间样本近邻关系在子空间内能够得到保持,并且视图间的结构具有相似性的约束。(2)提出了一种基于多核学习的在线加权多视图模糊聚类算法。该算法采用批处理形式,将整个数据集分割成多个数据块进行处理,并将前一个数据块的聚类结果带入下一个数据块中作为初始值,由最后一个数据块得到最终的聚类结果。针对每个数据块,算法借鉴多核学习方法,充分利用不同视图间的结构一致性和信息互补性原则,同时,设计出了聚类中心和聚类隶属度的在线更新模型,为多视图数据提供聚类划分和视图权重。(3)提出了两种基于多视图降维策略的自适应聚类算法。首先,为了利用多视图降维框架来提高聚类的自适应性,提出了一种基于多视图判别分析的自适应聚类算法。该算法能够为无监督的多视图数据构建一个联合统一的判别子空间并在子空间中考虑聚类结构性能。与此同时,采用迭代运行的方式优化子空间的形成。在上述工作基础上,为了能够在子空间内进一步实现多视图局部信息的保持以及视图间结构相似性约束,提出了一种改进算法,即基于多视图局部信息保持的自适应聚类算法。该算法在前者基础上,在子空间投影的构造过程中融合了局部信息保持和视图间结构相似性约束的思想。