高维数据的复杂性表现在:维数高、结构复杂、包含大量无关属性等。传统基于样本间距来构建簇类的聚类方法,如K-means、谱聚类等,无法直接处理高维数据。近年来,随着子空间聚类技术已成熟的应用于高维数据处理,研究人员提出了多视角子空间聚类和基于自表达特性的子空间聚类算法。本文针对上述两类算法作出的工作如下:现有的自表示子空间聚类算法,缺乏对相关数据的处理,导致相似度矩阵过于密集使算法包含错误信息,或是过于稀疏使算法丢失了相关信息。同时当前大部分算法没有充分考虑表示矩阵与分割矩阵的一致性,导致算法获取次优的结果。因此,本文提出了加权结构化相关低秩子空间聚类算法（SCLR）,改方法通过引入加权相关范数,解决了低秩特性下相似度矩阵过于密集的问题;同时,该模型加入了结构化范数,将相似度矩阵学习和谱聚类分割整合为一步,迫使两矩阵相互关联且具备一致性。Extended Yale B、MNIST等数据集上获得的结果表明,SCLR相比同类算法的表现更为优秀。当前大部分多视角子空间聚类算法并未重视表示矩阵的块对角结构,而该结构对子空间分割效果有不可忽视的作用。虽现有的大部分算法能够获得块对角结构,但在数据集含有噪声等情况下,块对角结构会受到破坏。因此,本文提出了低秩张量约束的块对角正则化多视角子空间聚类算法（BDR-MSCLT）。该模型结合了低秩张量约束的多视角子空间聚类模型和软块对角范数。一方面,软块对角约束增强了表示矩阵的块对角结构的稳定性。另一方面,算法将不同视角的表示矩阵被整合为张量,捕获了多视角数据的高阶关联性。并且张量的低秩特性在保留数据的全局结构的同时也减少了表示矩阵间的冗余信息。在几个经典实验集下的结果表明,BDR-MSCLT算法的鲁棒性更强且各类聚类指标更为优异。