聚类是无监督学习中一种方法,它可以把数据切分成多个组别,并让较为相似的数据样本分到同一组别内。但是,传统的聚类方法大多是基于单个视角的数据,在多视角数据环境下往往不能取得令人满意的聚类性能。为解决这个问题,便提出了多视角聚类。多视角聚类的目的是整合多个视角数据的信息,获得更加本质的样本关系,进而求解出更加准确的分组。多视角图学习聚类是多视角聚类中的一类方法,该类方法会先学习出一个相似度图,并利用该图得到最终的簇分组。考虑到该类方法使用简便并且在聚类任务上常常能获得较好的聚类性能,所以,本文主要围绕该类方法进行拓展。目前,在多视角图学习聚类上已经取得一定的进展,但是仍存在一些需继续深究的地方。一方面,大多数方法没有对最终生成的统一相似度图作进一步优化,导致该图上还会存在大量噪点;另一方面,部分方法没有考虑到多个视角相似度图学习与统一相似度图学习之间的联系,而将这两个步骤分离开来,使聚类性能变差。另外,在构建多视角一致性与不一致性时,很多方法仅构建多视角一致性而没有明确构建多视角不一致性,从而导致提取的一致性部分中会含有干扰信息。针对以上挑战,本文提出两个多视角图学习聚类的方法:（1）带有块对角规范化的多视角统一图聚类模型。一方面,为了获得具有更高聚类性能的统一相似度图,该模型引入块对角规范化,它可以弱化统一相似度图中非同簇样本的相似度关系,并保持图中的块对角结构。另一方面,该模型同时构建视角一致性与不一致性关系,在一定程度上缓解仅构建多视角一致性而造成的一致性部分中存在干扰信息问题。（2）联合单视角图学习的多视角聚类模型。一方面,该模型将多个视角相似度图学习与统一相似度图学习这两步骤整合到一起,能够使它们在学习过程中相互促进。另一方面,在模型中也同时考虑到多个视角的一致性与不一致性关系,从而获取更加纯净的一致性部分。另外,通过在学习单个视角的相似度图时引入带有平滑规范化的子空间学习,能够更好地提取原始数据中的局部结构。提出的两个方法分别在多个数据集上进行实验,算法能在少数的迭代次数下达到收敛。与近期的一些多视角聚类的方法作比较,在大部分的数据集上都可取得最佳的聚类性能,证明所提出方法的有效性。