无监督学习是机器学习领域中热门的研究课题,而聚类是该领域的典型方法之一,其主要任务是在无标签的条件下将数据分为多种不同类别。在大数据的时代背景下,数据从原本的单一视角过渡到了多个视角进行特征表示,称之为多视角数据。前述研究表明,多视角聚类得益于数据表征的全面性,可以取得更加优异的数据挖掘性能。基于张量分解的多视角聚类方法将自表示数据重构成高阶张量,并基于先进的张量核范数挖掘出数据的高阶信息与相关信息。本文基于这个工作出发,考虑到其不足之处如缺乏对数据之间的空间关系探索,提出了自适应构图的低秩张量学习多视角模型,期望同时考虑数据的局部信息、高阶跨视角数据的相关性以及多视角数据特征,以获得更加鲁棒更加准确的自表示张量。此外,考虑到不同视角的特征在聚类工程中扮演的角色不同且重要程度不同,本文进而提出了一个自适应加权的模型,期望通过自加权的策略完成不同视角的置信度学习,从而获取更具有实际应用价值的模型。具体的方案如下:（1）为同时挖掘多视角数据的全局低秩性和局部相似性,本文提出自适应图正则化的低秩张量多视角子空间聚类模型。具体地,对重构张量先通过旋转操作再施加张量奇异值分解的张量核范数,该方式不仅具有可解释性,同时能够有效地挖掘高阶数据潜藏的交互信息;另外,针对子空间上的点能够很好的反映原始空间数据的特点,本文通过对子空间上的数据进行自适应构图,学习数据之间的局部信息。本文提出的方法可以有效地避免原始数据集上的噪声、污染等干扰因素,为子空间形成提供了有力的保障,挖掘了更全面、更有效的数据信息。（2）为甄别不同视角在聚类工作中的不同重要性,本文提出自适应加权的多视角子空间聚类模型。具体地,在前面工作中进一步引入自加权正则项,对每个视角的权重自动学习,充分考虑到不同视角不同的置信度;此外,对每个视角的自表示矩阵融合出共识的亲和矩阵,直接输入到谱聚类算法实现聚类。本文提出的自适应权重方法既考虑到数据高阶信息、局部信息,同时关注到了视角的差异性,为实际应用场景提供了良好的解决方案。（3）本文对所提算法设计了一系列的优化方法,并将提出的模型在六个广泛应用的真实数据集上进行实验,与典型的几种方法做了全面的对比。从实验结果证明本文所提方法于对比方法在各种聚类评估指标上都有更出色的表现。