随着通信技术与互联网的普及,人们所接触到的数据量呈现指数级上涨,大部分都是未进行标注的数据并且数据结构呈现出多视图,图结构的特性。多视图聚类算法通过挖掘数据之间潜在的联系,将数据分为指定的簇,从而对数据进行有效的利用,以解决生产实践中的各种问题。多视图聚类算法可以大概分为基于传统机器学习和基于深度神经网络的聚类算法。受益于自表达模型和深度神经网络的强大特征表示能力,这些算法在许多任务中展现了良好的效果,但这些算法仍面临一些挑战。首先,自表达模型的较高内存成本和巨大时间复杂度对解决大数据聚类产生了阻碍,其次现有算法大多注重挖掘数据特征信息,忽略数据之间潜藏的图结构信息,从而难以捕获数据局部结构信息,同时现有算法不能解决聚类问题中的样本外问题。面临的另一挑战是现有多视图图聚类算法很难同时处理数据的特征信息和图结构信息,且最先进的多视图图聚类算法都是浅层或深层模型。浅层方法会限制其对复杂数据建模的能力,而基于神经网络的方法涉及大量参数,使计算成本高昂。面对上述挑战,本文主要进行了以下三个方面的研究:（1）我们首先提出了一种基于结构化图学习的可扩展子空间聚类算法,基于图论中锚点和二部图的思想,我们构建一个二部图来描述样本和锚点之间关系,利用连通性约束,确保连通分量直接划分聚类簇,然后进一步建立了该算法和k-均值之间的联系,最后通过锚点图思想引申出了解决样本外问题的高效算法。此外,在单视图的基础上扩展了一种处理多视图数据的模型,模型时间复杂度为线性。（2）由于（1）提出的算法只能解决非图结构的数据,所以本文接着针对多视图图数据提出了一种简单有效的基于图滤波的多视图属性图聚类算法。首先,在不需要学习神经网络参数的情况下,对特征进行图滤波操作以获得平滑的表示。其次,原始图结构可能有噪声或信息不完整,因此我们通过利用自表达模型结合权重机制,从异构视图数据中学习一致性图。最后,通过设计一个正则化项,以灵活的方式探索图结构高阶关系。实验结果表明本算法优于现有大多聚类算法。（3）由于（2）提出的算法中的自表达模型中具有较高时间复杂度且内存成本过大,使算法难以运用于大规模的图数据,我们引入基于节点重要性的采样策略,结合锚点图,将算法时间复杂度降低到线性,并通过实验验证算法的有效。