聚类是数据挖掘、计算机视觉、模式识别、和生物医学信息处理中的一项基本技术,并已广泛用于人脸识别和推荐。近年来,随着互联网、社交网络和大数据的快速发展,数据可以从不同的领域采集或者从不同的角度进行描述。例如,一张图片可以通过其颜色或纹理特征来表示。由于这样的多视图数据的涌现,多视图聚类也越来越受到人们的关注。近年来已经提出了许多多视图聚类方法,其中多视图子空间聚类效果显著,特别是针对高维数据。但是,现有的多视图子空间聚类方法一般分为两个阶段,先学习子空间表示,之后执行聚类,即不能同时学习子空间表示并聚类。本文中提出了一种新的多视图子空间聚类方法,该方法将子空间表示学习和聚类融入到一个统一的框架内,学习每个视图的子空间表示和聚类是同时进行的,同时还提出一个成对正则约束以保证视图之间的一致性。另一种比较流行的多视图聚类方法是多核学习。多核学习中的内核自然地对应于多个视图,并且适当的组合内核可以提高聚类性能。多核学习的关键是为每个基础内核分配一个合理的权重从而组合出一个最优的共识内核。但是多核学习不可避免地要引入多个权重参数,并且权重分配不当甚至可能导致比单核学习更差的聚类性能。本文提出了一种新的多核k-均值聚类方法,该方法采用了自加权的学习策略。与文献中的其它多核k-均值方法不同,本文提出的方法可以学习共识内核并自动为每个内核分配最佳权重,而无需引入其他参数。在本文中,提出了两个多视图聚类算法,协同正则的多视图子空间聚算法和自加权的多核k-均值聚类算法。并在多个真实世界的多视图数据集上进行对比实验,证明了提出的方法的有效性和优越性。