随着信息技术的不断发展，多视图数据受到了越来越多的关注。近些年来，研究人员提出了一些针对多视图数据的聚类算法，比如，基于谱聚类的多视图聚类算法，基于K均值聚类的算法，基于子空间的多视图聚类算法等等。另一方面，对于单视图数据，已有研究表明，有效利用实例和特征之间的对偶性，即对实例和特征进行联合聚类，可以提升聚类效果。本文首次将实例和特征的对偶学习引入多视图数据场景中，提出了一个新的多视图联合聚类方法，具体贡献包括:　　引入三元非负矩阵分解来建模多视图数据实例和特征之间的对偶性，并在此基础上提出了我们的鲁棒多视图联合聚类算法。首先，让各视图共享一个实例划分系数矩阵，该系数矩阵作为一个中间桥梁将各个视图进行关联。第二，在各个视图中采用图正则的方法来刻画和保持数据的近邻局部结构。第三，实际数据很有可能包含噪声或异常点，对此，在模型中使用具有鲁棒性质的l21范数来度量模型的损失。提出了一个有效的优化算法来对模型进行求解，并证明了其收敛性。　　在9个常用的多视图数据集上进行实验来验证模型的有效性，并使用3种经典的聚类评价指标（聚类准确性、归一化互信息和聚类纯度）评价聚类结果。实验结果显示，方法的聚类效果优于现有主流的多视图聚类方法。　　实现一个具有可视化功能的多视图聚类分析工具原型，该原型提供了友好的用户界面，支持用户选择聚类方法、数据集以及视图组合，并以图形的形式直观地展示聚类结果，帮助用户方便、快捷地理解数据。