采集途径的多样化孕育出多模态化的数据。将同类模态的数据特征划分为同一组则可形成多视图数据。近年来,针对多视图数据的聚类算法被相继提出,这些算法究其本质基本上认为跨视图样本之间的映射关系是完全已知,并将已知的映射关系作为算法模型的先验知识。在现实情况中,映射关系未知更为普遍,即无法确定分别来自两个视图的两个样本是否来自同一对象。现有的多视图聚类方法将不起作用或得到没有意义的分析结果。因此,本文针对映射关系未知问题进行研究,并从映射关系对现有的多视图聚类算法这一角度进行梳理。以多视图非负矩阵分解框架为基础,本文提出一种解决跨视图样本之间映射关系未知的多视图聚类算法。该算法认为各视图样本源于相同对象集,尽管跨视图下映射关系未知,但各个视图数据所形成的图结构应当一致。因此,所提算法首先根据样本近邻关系建立对应的图结构;然后通过图结构对齐建立跨视图样本的映射关系;最后利用捕获的映射关系指导各视图表示学习并得到最终聚类结果。为进一步提升模型性能,更好地挖掘真实映射关系,本文基于三因子非负矩阵分解提出了一种新颖的多视图聚类算法。该算法认为特征维度上的聚类结果与数据维度上的聚类结果存有紧密关联,利用特征聚类促进数据聚类。因此,所提算法将原始数据同时分解为特征系数矩阵和数据系数矩阵并重新定义了一种方案改进未知映射下各视图的表示学习。本文通过一系列的对比实验验证了两个算法的有效性,并分析了各个算法的性能与优劣。结果表明两个算法可以在映射关系未知情况下捕获真实映射关系并得到较好的聚类结果。对于非稀疏数据集,所提出的MVC-UM算法和Tri-MVC-UM算法的MACC@1分别高达84%和97%,此外相比0%比率下的部分映射多视图聚类算法,MVC-UM算法和Tri-MVC-UM算法的NMI指标分别提升了28.6%和30.4%,ACC指标分别提升了22%和27.4%。而对于高稀疏数据集,高稀疏性导致图结构不明显,因此所提出算法不能在各项指标上为最优,本文在实验部分进行详细的总结并在最后章节中给出了改进方向。