聚类问题是近年来一个非常热门的问题,聚类问题是将杂乱的数据聚集成不同的簇,使得相似的数据属于相同的聚类类别。目前基于图的方法被越来越多地应用在聚类中,基于图的聚类方法是在原始数据图中用相似性矩阵衡量边,从数据点之间的相似性得出聚类的结果。但早期的方法都是依赖预先构建的图,通过高斯核等方法,用原始数据构建一个固定的图,进而根据构建好的图来生成聚类指导器得到聚类结果。这样把图的构建与聚类过程相互分离严重影响性能。针对于此,自适应图构建的方法逐渐兴起,自适应图方法是自适应的学习得到图,而不是人为的预先构建,并且通过正则项的约束能够得到性能较好的图与聚类指导器。但上述思路仅针对单一视图的图模型,而单一视图很难真实客观的反映数据的全貌,因而存在以偏概全的缺点,因此,本文提出基于自适应图的多视图聚类算法。本方法从数据的不同视图入手,不同视图自适应的学习出不同的初始化图,并加入秩约束的拉普拉斯矩阵来优化学习到的自适应初始化图,之后把不同视图下的自适应图进行整合得到统一的全局自适应图,并且用相同的秩约束的拉普拉斯矩阵来优化这个全局图。因为秩约束的优化,聚类指导器可以直接从统一的全局图中得到而不用使用图割技术和k均值聚类算法得到。在大量基准数据集上,同大量优秀算法的对比实验证实了本文提出的算法的高效性和卓越性。