随着现代社会信息及多媒体技术的发展,促使当今社会所产生的数据量极速增长,其中大量的数据能够以多种不同的视图方式进行描述。比如在人脸识别领域中,可以对同一人脸图像样本提取出不同形态的特征形式。多视图学习方法试图在多个不同的视图内提取出相互关联、互补的特征,从而可以改善在数据集上的分类效果,并且很多基于单视图的学习方法也可以扩展至多视图层面,因此,多数图数据的产生使得算法能够采用充足的、多样的信息来解释事物的内在本质。本文将多视图学习方法用于生物特征识别,进行了以下工作:第一,基于单视图情形下Fisher判别分析的启发,对经典的判别模型进行拓展,使之适用于多视图数据。改写的主要目的是将来自于所有视图的数据统一投影至一个公用的子空间,在此子空间内同类数据相互靠拢,异类数据相互散开,以达到充分利用视图之间的判别信息,进而改善分类效果的目的;第二,在第一点的基础上,为进一步去除原始数据中的冗余信息,并且更好地利用局部结构信息,引入了考察局部信息的不相关技术来提高分类精度;第三,探讨了包含了无标签数据的多视图数据的分类情形。在第一点的基础上,将多视图判别模型拓展成半监督模式,利用有标签样构造判别模型,并且基于流形学习的启发,使用无标签样本来保持原始多视图数据之间的局部结构信息;第四,现实之中原始的多视图数据往往是线性不可分,本文在第一点的基础上采用核函数对原始数据进行高维映射,并借助核技巧简化计算过程,设计了非线性情况下的线性判别模型,以进一步改善模型的分类能力。最后,本文选择了多视图数据集进行了实验验证工作,包括在手写体数据集、多光谱以及彩色人脸数据集进行交叉验证,使用本文提出的算法和现有的多视图学习的代表性方法进行定性的比较分析,而实验结果证明了本文算法的有效性。