随着科技不断进步,在许多科学和工业领域产生了大量的数据。这些数据由多种特征表示,形成了多视图数据。因此处理这类数据的多视图学习逐渐成为深度学习、人工智能、神经网络、大数据等领域的研究热点。多视图聚类是多视图学习领域的研究方向之一,经过多年的研究和发展,虽然已经取得许多成就并且应用到实际生活中,但是也存在一些问题。例如,多视图聚类算法需要通过多视图数据预先构造出一个关系图,多视图数据结构复杂,存在不同程度的噪声,所以构造出的关系图容易受到噪声的影响。而且多视图聚类算法通过加权融合的方式得到统一关系图,但是在融合过程中没有充分考虑权重分布对聚类结果的影响。此外,大多数多视图聚类算法将关系图的构造和融合分成两个独立的步骤,导致部分多视图数据信息损失。因此,基于上述提到的多视图聚类算法中存在的问题,本文主要进行如下工作:针对已有的多视图聚类算法在融合关系图的过程中没有充分考虑权重分布对聚类结果的影响和多视图数据存在不同程度噪声的问题,本文设计基于图的自加权多视图聚类算法。首先通过自适应邻域学习得到每个视图的关系图,然后将各个关系图自加权融合成统一关系图,在模型中引入视图权重调节参数,通过调整视图的权重分布使噪声大的视图获得更小的权重,减少噪声对聚类结果的影响,并且模型随着视图权重的变化可以获得更好的最优解。最后在统一关系图中通过秩约束优化得到最终聚类结果。针对已有的多视图聚类算法将关系图的构造和融合分成两个步骤导致部分多视图数据信息损失的问题,本文设计基于图的联合学习自加权多视图聚类算法。该算法首先计算出所有视图的关系图,然后通过自动加权融合生成统一关系图。通过交替方向乘子法对统一关系图和关系图进行交替优化,以相互增强的方式学习统一关系图和关系图,弥补分离步骤造成的信息损失。并且在统一关系图中加入视图权重调节参数,减少噪声的影响。最后通过秩约束优化得到最终聚类结果。本文设计两种多视图聚类算法分别是基于图的自加权多视图聚类算法和基于图的联合学习自加权多视图聚类算法。在真实世界数据集上与相关聚类算法进行对比实验,证明本文所提方法的有效性和优越性。