多视图模型由于充分利用了多个视图的信息,在机器学习的众多任务中都获得了良好的表现。越来越多的研究者开始聚焦于多视图学习。高斯过程和条件随机场由于其良好的特性在文本分类、序列标注任务中各自表现优异,但二者无法直接应用于多视图学习场景。本文针对文本分类任务提出了后验一致性的多视图高斯过程;又针对序列标注任务提出了混合神经元的多视图条件随机场。之前的工作和本文的研究都证明了多视图模型相较于单视图模型往往具有更优的性能,但面对对抗威胁,多视图模型也可能具有脆弱性。鉴于此,本文对多视图模型的对抗鲁棒性进行了初步的探索,设计了适用于多视图模型的对抗攻击和防御方法。基于视图间潜在函数的后验一致性,本文提出了两种多视图高斯过程模型来处理文本分类任务。它们通过正则化边缘似然结合了多个视图,从而将高斯过程从单视图扩展到了多视图学习场景下。对于序列标注任务,本文将条件随机场的结构化捕获能力和神经网络的特征提取能力进行了集成。同时结合多视图学习的一致性及互补性原则,本文提出了一种新的多视图条件随机场模型来处理命名实体识别和组块分析（chunking）问题。多个数据集上的实验结果证明了所提出的多视图模型的有效性。最后,为了评估多视图模型的对抗鲁棒性,本文提出了两种攻击策略:两阶段攻击（TSA）和端到端攻击（ETEA）。TSA策略采用攻击单视图模型所产生的对抗样本来攻击目标模型。ETEA策略则采用所提出的多视图攻击方法m FGSM、m BIM和m MIM对多视图模型直接进行攻击。本文以多视图卷积神经网络为例测试了多视图深度模型的对抗鲁棒性。结果表明:尽管多视图模型具有更强的鲁棒性,但其面对多视图攻击时仍然是脆弱的。为了提升模型的对抗鲁棒性,本文进一步提出了多视图对抗自编码模型。对比防御前后模型的表现,证明了所提出的多视图防御的有效性。