基于非负矩阵分解的方法在聚类应用中有着非常重要的意义.本文在深入研究了非负矩阵分解的基础上提出了一种基于概念分解的多视图聚类方法,该方法通过联合优化一个图矩阵来充分利用不同视图之间的相关性,同时该方法还可以自动地学习得到每个视图在聚类任务中的权重.首先,本文阐述了多视图数据聚类的意义和研究现状,给出了基于矩阵分解的多视图聚类方法的流程图;并介绍了非负矩阵分解的几种变体和常见的基于非负矩阵分解的多视图聚类方法.其次,经过对非负矩阵分解和概念分解的深入研究,本文提出了一种基于概念分解的、融合了图结构信息和权重信息的多视图数据聚类框架.该框架克服了非负矩阵分解不能处理负号数据的限制,因此可以被应用到所有多视图数据集上面.在该框架中,我们考虑了数据的局部几何结构信息,利用学习得到的图可以在降维的过程中保持原始数据空间的局部几何结构;该框架可以自动地学习得到每个视图的权重,理论上这些权重可以从侧面反映每个视图在聚类任务中的重要性,这减少了分别设置每个视图权重的代价.然后,本文给出了对应于该框架的目标函数、设计了一种更新规则来寻找该目标函数的最优解、给出了所提出方法的具体算法,另外从理论上证明了利用这种更新规则来求解目标函数的过程是收敛的.最后,本文给出了具体的参数设置方法,并通过大量的实验(选取了9个多视图数据集、使用了3种客观评价标准、比较了7种多视图聚类算法)证明了本文所提出方法的优越性.进一步,本文还从参数敏感性和算法收敛性两个方面说明了本文方法的有效性.