约束双线性分解的多视图子空间聚类算法（Constrained Bilinear Factorization Multi-view Subspace Clustering，CBF-MSC）忽略了视图局部结构信息导致了信息损失进而影响多视图聚类效果。针对上述问题，提出了全局与局部结构学习的多视图子空间聚类算法（Constrained bilinear factorization by learning global and local structures for multi-view subspace clustering，CBF-LGLS）。该算法首先考虑了视图的一致性与互补性，认为不同视图的系数矩阵应该具有相同的聚类属性，而不是在多个视图之间是一致的，从而充分探索挖掘视图底层数据分布和聚类属性。不仅如此，该算法还全面考虑了视图的局部结构信息，有效捕获单个视图的内在差异，减少了信息损失。此外，该算法采用了自适应加权的方法，减少了噪声与冗余对聚类效果的影响。对于每个视图预定义相似度矩阵的传统模式，采用了自适应距离正则化方法，达到充分考虑单个视图的几何结构与视图之间相同的簇结构的目的，进而提高聚类效果。算法在广泛使用的数据集上进行实验，并与主流算法进行比较，结果表明，提出的算法具有良好的聚类效果和收敛性。