多核聚类算法通过探索与每个数据视图相对应的基核矩阵中的互补信息来实现良好的性能。大多数现有方法旨在为后续聚类任务构建一个共识核。但是,其忽略了所构建的核应该充分揭示样本之间的聚类结构的特点,因此聚类性能难以令人满意。本文为了提出有效解决方案,设计了如下方法,贡献可概括为三大部分:·设计了基于子空间聚类的MKC的公式,从而将其内存和计算复杂度都降低到O（n）。在所提出的算法中,采用了一种新颖的采样策略来提高MKC的性能和速度。具体来说,在我们的设计中,我们首先对采样过程进行数学建模,然后在聚类过程的同时更新采样矩阵。这样,生成的锚点集变得更适合于跨不同视图的数据重构,从而提高了重构矩阵的判别能力,并提高了聚类的性能。通过集成采样过程使该算法的效率达到线性复杂度,在此基础上,由于我们的算法易于并行化,因此可以进一步使用GPU在线性复杂度的基础上进行加速。我们的算法在五个数据集上的性能堪比最先进的方法,在时间开销上与其它算法相比更有优势。·通过联合优化子空间学习和多视图聚类,从而实现基于采样的多样性正则化多视图聚类模型（AMVSS-DR）。首先,我们有效地评估了基于锚点的自表达相似度矩阵,以减少以前方法中的高时间复杂度。在此基础上,进一步增加希尔伯特施密特独立性标准作为正规化项,以鼓励每个视图的高度独立性和多样性。此外,我们从理论上分析了该算法的时间复杂度。在几个基准数据集上的综合实验表明,我们提出的模型始终优于最新算法。·提出了一种用于低秩核学习的邻域多核聚类方法。具体而言,我们对核矩阵使用了重参数化方案。同时,共识核位于基核的线性组合的邻域内。设计了全新的优化策略来解决由此产生的优化问题。我们使用9种最新算法在13个基准数据集上评估了该方法。正如实验结果所证明的,我们提出的算法在公开的多核数据集上比已有的算法具有更好的聚类得分。