随着互联网的快速发展,人们获取数据的方式由单一视图描述逐渐演变为多个视图描述。因此,多视图学习目前已成为人工智能、机器学习等领域的研究热点。多视图聚类旨在用多视图数据进行聚类,它作为多视图学习任务的一个主要研究方向,目前也已经取得了一定的进展。多视图数据从不同来源、结构或角度对同一对象进行描述,其往往具有不同的特征表达、结构或维度,且视图间存在相关性、一致性和互补性等各种关系。相比于单视图数据,多视图数据之间往往存在一致性信息以及差异性信息,如何从多视图数据中分离出数据一致性和多样性,是本文要解决的问题之一。此外,由于数据特征中存在噪声和冗余,如何从不同视图数据中挖掘出有效的判别特征也是本文要解决的问题,这些问题的解决有利于聚类任务性能的提升。针对以上问题,本文提出了基于矩阵分解多样性和一致性学习的多视图聚类方法和基于无监督线性判别分析的多视图聚类方法,主要贡献如下:（1）当前的多视图聚类方法大多只对数据空间中的一致性进行约束,却不考虑标签空间中的多样性和一致性。为了充分考虑标签空间中多样性的影响,提出基于矩阵分解多样性和一致性学习的多视图聚类方法,在标签空间中,将公共标签矩阵松弛为一致性部分和多样性部分,然后将它们集成到基于多视图k-means矩阵分解的模型中。同时,在数据空间中使用自权重策略对每个视图进行加权。另外,原始高维特征空间包含冗余信息和噪音,为避免维度灾难问题,将原始数据投影到低维空间进行降维。为保证算法的收敛性,使用基于交替方向最小化的增广拉格朗日乘子法来解决优化问题。在六个公开的真实数据集上进行实验,实验结果证明了所提方法的有效性。（2）针对从不同的视图数据之间挖掘出有效的判别信息这一问题,线性判别分析（LDA）作为机器学习研究中一种经典的有监督学习方法,它可以将数据投影到低维空间进行特征提取,从而获取判别性信息。但LDA通常用于处理单视图数据,直接在多视图数据上使用LDA通常无法达到预期的性能。为了解决这一问题,提出了基于无监督线性判别分析的多视图聚类方法,该方法结合样本的结构信息和特征信息进行聚类,首先利用稀疏子空间学习获得数据样本的伪标签,通过标签信息使用LDA方法获取判别性特征。然后利用获取的特征信息再反过来优化数据的结构信息,两个子任务不断优化和迭代以获得更为纯正的标签。另外,将子空间自表示矩阵重组为一个三阶张量,通过引入加权张量核范数来获取多个视图之间的高阶一致性信息,对优化后的自表示矩阵使用谱聚类方法来获得所有视图的公共指示矩阵。为保持局部邻域结构,子空间学习和特征投影可以自然地表示为正则化项,使得原始空间中的相邻点在低维空间中也接近。基于交替方向乘子法（ADMM）的优化解可以保证该方法的收敛性,在不同数据集上的实验结果验证了该方法的有效性。