聚类作为数据挖掘的主要技术之一,经历了半个多世纪的发展,产生了大量优秀的聚类方法。尤其随着近十年来深度学习技术的飞速发展及广泛应用,基于深度学习的聚类将聚类研究推向了一个新的高度。为了更全面地了解某一事物,人们往往从不同的角度或不同的途径对同一事物进行刻画,获取的数据集称为多视图数据。如何充分挖掘不同视图角度的特征,进而提升聚类性能显得尤其重要。现有的大多数聚类方法仍然存在着特征提取不全面这一问题,特别是针对多视图数据的特征学习问题,这些因素将直接影响到最终的聚类性能:第一,在实际应用中,数据集往往存在少量的标签数据或极易获得少量标签数据,这些标签数据对特征学习网络的训练起着极为重要的作用。然而,现有的聚类方法多基于无监督的框架,不能有效地利用标签数据。同时,现有的大多数半监督聚类,都仅仅将无标签数据的特征直接用于聚类,没有考虑其对特征学习网络的促进作用。第二,随着数据表示的多样性,同一事物存在多视图描述数据。不同视图数据既存在一致性信息,也存在一定的特定性信息。目前多视图聚类方法的研究重点是将多视图数据通过某种融合方式得到一个最佳的聚类结果,然而这些方法都是从一致性角度去考虑,将数据在不同视图上的一致性信息最大化作为多视图聚类的目标,忽略了数据在不同视图上的特定性信息,获得的多视图特征存在片面性。第三,不同视图数据的特征分布往往不一致,且不同视图样本的质量往往不均衡。一些研究者借助于生成对抗网络（Generative Adversarial Networks,GAN）将不同视图特征映射到一个潜在的特征子空间,从而捕获不同视图数据的特征分布。然而,这些方法没有考虑到不同视图样本质量不均衡的问题,即部分视图样本质量较好而部分视图样本质量偏低的情况。本文针对聚类中视图特征学习所存在的以上问题进行了深入的分析和研究,取得了一些有价值的成果:提出了一种基于深度度量学习及标签扩散的半监督聚类框架,包含特征学习和标签扩散两个阶段。在特征学习阶段,采取了两种不同的度量学习网络,即基于对比损失的孪生度量学习网络和基于三元组损失的三胞胎度量学习网络,来提取数据的深度特征;在标签扩散阶段,同样采用了两种不同的策略,即简单快速的k近邻标签扩散策略和充分有效的双重验证标签扩散策略,从而将无标签数据动态的更新为标签数据,进而更加充分地利用无标签数据。在Mnist、Cifar-10、Yale B和20-Newsgroups四个数据集上的实验结果表明,所提出的方法在聚类准确性ACC和归一化互信息NMI两项指标上比对比算法至少高出2.2%和1.1%。提出了一种基于邻域相关性的多视图聚类方法。该方法利用子空间学习技术,将不同视图特征映射到一个共同的子空间。在此子空间中,最大化样本的一致性邻域相关性,同时最小化样本的特定性邻域相关性,从而使得学习到的特征不仅能够最大化多视图数据间的一致性信息,也保留了各视图的特定性信息。在UCI、Caltech7、BBCSport和CCV四个数据集上的实验结果表明,所提出的方法在聚类准确度ACC,归一化互信息NMI,调整兰德指数ARI,精度Precision,召回率Recall和F1值六项指标上比对比算法至少高出6.5%,3.3%,3.9%,3.9%,4.3%和4.3%。提出了一种基于共有特定信息的深度多视图聚类方法。首先,通过两个深度特征提取网络分别提取每个视图上的共有信息特征向量和特定信息特征向量。然后通过GAN技术,使得从各个视图中提取的共有信息特征向量尽可能的相似,从而最大化不同视图上的共有信息,同时通过引入正交约束,最小化共有信息特征向量和特定信息特征向量之间的相关性。最后,将学习到的共有特定信息传入到聚类网络进行迭代训练。在UCI、BDGP和CCV三个数据集上的实验结果表明,所提出的方法在聚类准确度ACC,归一化互信息NMI和聚类纯度Purity三项指标上比对比算法至少高出1.6%,2.2%和0.3%。