在机器学习领域,随着数据采集技术的提高,样本可以从多种不同的途径获取或者由多种不同的特征来表示,形成多视图数据。针对多视图数据,利用不同视图数据的一致性与互补性,研究者们提出了大量多视图学习的算法,包括多视图分类、多视图降维和多视图聚类。本文的研究内容为聚类。本文首先回顾了聚类的研究背景,介绍了几种经典的聚类算法。由于这些聚类算法仅适用于单视图数据,面对大量涌现的多视图数据,多视图聚类算法应运而生。进一步,本文介绍了多视图谱聚类、多视图子空间聚类和多视图非负矩阵分解这三种聚类算法。受多视图学习中协同训练算法的启发,本文首先提出一个基于自适应图学习的子空间聚类算法,该算法首先将单视图数据多视图化,再利用不同视图的信息迭代更新图正则化项,得到更能反映聚类性能的自表示矩阵,从而更准确地描述数据聚类结果。在四个标准数据集上与其他聚类算法进行对比实验,实验结果显示该方法具有更好的聚类性能。进一步,将不同视图数据的一致性信息融入目标函数,提出基于自适应全局关联图学习的子空间聚类算法。具体而言,首先构造每个视图的自表示矩阵,然后根据一致性度量函数将所有视图构造出的矩阵融合成一个全局关联矩阵。由于多视图数据的一致性,全局关联矩阵也能对每个视图构造的矩阵进行改进。该方法的另一个优点在于对全局关联矩阵的图Laplacian矩阵施加秩约束,能够直接在全局关联矩阵上得到聚类结果。与其它的基准算法对比,实验结果表明了该算法的有效性。