作为一种较为成熟的无监督分析方法,聚类分析已经被广泛运用于数据挖掘、模式识别、图像分割等研究领域。但目前普遍存在的传统聚类方法大多仅基于单一视图数据进行研究,而在数据挖掘和分析的诸多实际应用场景中,各个独立视图数据之间具有互补信息以及一致信息的多视图现象已经广泛存在。此外,在数据爆炸的今天,如何更好的处理大规模高维数据也已成为一个亟需解决的问题。为此,本文着重于研究面向多视图情景的大规模数据的聚类算法,利用多个视图数据之间的异质性以及其存在的潜在联系来获得更加完备的数据底层结构信息,从而提升聚类算法的精度,同时利用地标点采样等技术来提升多视图聚类算法的效率,并将改进的算法应用到具备多视图结构的复杂网络社区发现领域,主要的研究内容包含以下三方面:（1）针对传统的多视图子空间聚类算法大多仅聚焦于浅层聚类,无法充分捕捉到数据的深层结构信息,同时没有在数据的自我表征层面进行深入研究的问题,提出一种引入了排他性约束的深度多视图子空间聚类模型。该模型在每个视图上利用深度自编码器进行非线性低维子空间映射,以捕获原始数据的深层结构。将排他性约束引入到位于多个视图数据中间层的自表示矩阵中,以更好地保留多个视图的局部特性,从而使利用潜在特征获得的多视图共识自表示矩阵能够兼顾多视图数据的互补性以及一致性。利用联合学习框架使自编码器参数和聚类参数迭代更新以提高聚类性能。在多视图数据集上的仿真证明该方法能够更好地挖掘出多视图数据的底层互补结构从而提升聚类精度。（2）针对目前存在的多视图聚类方法大多是对聚类准确性进行研究而未着重于提升算法效率,从而难以应用于大规模数据的现象,提出了一种结合地标点和自编码的快速多视图聚类算法。该模型利用加权Page Rank排序算法对每个视图的样本点进行权重分配,进而择取出每个视图的地标点,以降低数据规模。使用凸二次规划函数从数据中直接生成各个视图的独立相似度矩阵,将具有低存储开销性能的多视图共识相似度矩阵输入自编码器以替代拉普拉斯矩阵特征分解,从而降低算法计算复杂度,使算法能适用于具备大规模性质的多视图数据集。在多视图数据集上的仿真证明了该算法在运行效率上的优越性。（3）为了解决同时具备大规模性质和多视图性质的复杂网络的社区发现问题,基于前面所涉及的地标表示及相似度矩阵的构造方案,一种基于深度类自编码非负矩阵分解的后融合多视图社区发现算法被提出。受深度自编码器和非负矩阵分解模型启发,该模型将单层映射的NMF模型转变为包含编码层和解码层的多层映射NMF模型,以学习到更好的低维网络特征表示,从而获得更精确的多视图独立社区结构。在类划分空间层次对多个视图进行网络结构融合,并引入视图权重以保留多个视图网络的参差性,从而增强捕获到的数据的完备性。此外,为了使模型能够适用于具备大规模性质的复杂网络,将加权Page Rank方法引入每个视图网络中以进行地标点择取。在多个具备多视图结构的复杂网络上的仿真表明,所提出的算法能够获得更加真实的社区发现结果。