随着各种数据采集手段的增多,真实数据往往呈现多模态或来自多个异构源,形成了多视图数据。而以此数据为研究对象进行机器学习任务称为多视图学习。由于样本标记的费时费力,多视图聚类,作为多视图学习中的重要范式受到了研究者的广泛关注。至今,大多数多视图聚类方法都是基于视图完整的假设。然而,在现实生活中,每个视图数据都有可能产生样本的缺失,这样的缺失使得常规的多视图聚类算法不能直接使用。对这样的数据进行聚类称为不完整多视图聚类,同时也带来了很大的挑战。如何合理地结合多个视图间的互补和一致的信息,减小样本缺失的影响,提高聚类效果则是不完整多视图聚类的目标。本文以此为研究对象,进行了相关聚类算法的研究,并取得了如下研究成果:（1）提出了双对齐不完整多视图聚类（DAIMC）。该算法以加权半非负矩阵分解（Semi-NMF）技术为基础,利用给定样本对齐信息来学习所有视图的公共隐特征矩阵。此外,为进一步减小样本缺失的影响,DAIMC利用L_2;1-范数正则化回归建立了一个共享的基矩阵。与现有方法相比,除了继承Semi-NMF处理负值的能力外,DAIMC还拥有两个独特的优势:1)通过为每个视图引入相应的权重矩阵来解决不完整多视图问题,使得它能够容易地适应具有两个以上视图的情况;2)通过回归技术强制各个视图的基矩阵对齐,减少视图不完整对聚类的影响。最后,在四个真实数据集上的实验展示了它的优点。（2）提出了单趟不完整多视图聚类（OPIMC）。至今,虽然已有许多面向不完整多视图聚类的算法,但是它们大多数都是离线的,并且计算和存储成本很高,特别是对于大规模数据集则很难处理。为解决这个问题,本文提出了一种单趟不完整多视图聚类（OPIMC）框架。借助于正则化矩阵分解和加权矩阵分解技术,OPIMC可以相对容易地处理大规模的不完整多视图数据。与现有唯一的方法不同,OPIMC通过引入两个全局统计量,可以直接得到聚类结果,有效地决定迭代过程的终止。最后,在四个真实数据集上进行了大量实验,验证了OPIMC方法的高效性和有效性。