由于现实数据中存在多种模态、视图或表示,多视图学习近年来受到了广泛关注。通常,这些算法通过直接利用原始数据来学习分析样本间的关系。然而,在实际应用中,1)位于原始数据空间的数据鉴别能力相对不足。大多数方法假设数据具有线性分布,但真实情况却是数据往往分布在非线性流形上;2)多视图数据的“维度灾难”问题一直困扰着多视图方法的发展,雪上加霜的是其中夹带的噪声和离群点更进一步影响了方法对子空间底层结构的挖掘层次;此外,3)众多针对高维多视图数据的方法,其最终需对一非凸函数进行求解,容易因噪声干扰陷入局部最优解的困境,性能的提高造成阻碍。因此,高维非线性多视图数据的处理仍然是值得研究的问题,其探索研究都有着重要的应用价值。本文从非线性高维多视图的鲁棒降维为出发点,以达到提升聚类性能的目的,针对性的开展如下研究:针对基于原始数据空间的多视图聚类方法的鉴别能力相对不足的问题,本文提出局部结构图和低秩共识核多核学习（LLMKL）,通过将多核学习、核子空间的全局低秩结构、原始样本空间的局部结构和希尔伯特空间的自表示性质结合到一个统一的模型中,从而学习最优关系图和共识核。这样,共识核的学习和关系图的学习可以相互促进,从而使希尔伯特空间中的数据既具有自表示特性,又具有低秩特性。在图像和文本聚类上的实验都很好地表明LLMKL能够较好的处理非线性数据。针对LLMKL输入数据存在的“维度灾难”问题以及数据降维过程中存在的能量（信息）丢失问题,提出基于能量保持的嵌入子空间多视图聚类（REPE）,通过能量保持投影和高效低秩约束来构建鲁棒的低维子空间,进而充分挖掘低维子空间的底层结构,实现在无损降维的同时获得更明确的簇结构信息。具体来说,有异于传统方法,本文利用字典学习将自表示学习与嵌入子空间耦合于一体,通过降低嵌入子空间恢复至原始空间的损失,在有效降低数据维度的同时保证能量被最大限度保存,基于此获得更加精准的聚类结果。针对LLMKL和REPE在处理高维多视图数据中存在的易受噪声和离群点干扰的问题以及子空间学习中目标函数极容易陷入不良局部最优解的问题,提出基于自步学习的嵌入空间多视图聚类（SLESL）,将视图投影到一个潜在的嵌入子空间中,以自步的方式由模糊到清晰的调整子空间的结构,希望原始数据在子空间中能够具有简洁和干净的特点。同时,利用嵌入式自表示学习在潜在嵌入空间中学习多个候选图。然后,将这些图叠加成张量,以利用视图的高阶一致信息,获得用于谱聚类的一致关系图。实验结果证明了该方法的有效性。