近年来,许多研究者致力于多视图数据的分析与挖掘,其中一个重要的方向是针对多视图场景的异常检测。现有的多视图异常检测算法能够识别三种类型的异常,即属性异常,类异常和类-属性异常,且均只针对对齐场景。除对齐多视图场景外,现实生活中还存在着更具挑战性的非对齐多视图场景,其非对齐特性使传统多视图异常检测算法不再适用。同时,无监督异常检测方法因其在缺乏标记数据场景下的实用性而备受关注。其中,单类分类范式成为无监督异常检测的一种流行且有效的选择。因此,从单类分类的视角出发,本文针对对齐和非对齐两种场景分别提出了基于单簇可能性C-均值（Possibilistic C-Means,PCM）,即P1M（PCM,C=1）的多视图异常检测算法,具体的工作和成果如下:（1）提出了可能性单张量均值聚类算法以应对对齐场景下的多视图异常检测,使用张量外积对各视图进行特征融合。在这里,“可能性”意味着一个对象或实例属于正常类的隶属度,可以自然地被视为对象或实例的置信度,从而在很大程度上提供结果的可解释性。而“张量均值”是多视图域中的聚类中心,专门设计用于桥接视图之间的相互关系,从而形成独特的无监督多视图异常检测方法。最后,在5个UCI数据集和MSRC-v1数据集上验证了所提方法的有效性。（2）提出了 4种基于单簇聚类的非对齐多视图异常检测算法。不同于对齐的多视图场景,非对齐特性造成了对象在各视图间对应关系的缺失,以致无法利用在对齐场景下示例级的局部关键信息。为此,本文设法通过各视图的全局信息进行学习。本方法的关键之处在于借助交替优化法为各视图分别学得一个变换矩阵,用其将各视图投影到一个公共子空间,进而在该公共子空间中用P1M学得所有训练数据对目标类的隶属度,并设置隶属度阈值,从而实现异常检测。最后,在多个UCI数据集上的实验结果表明,所提方法能够有效应对非对齐多视图场景中的异常检测。