人工智能技术发展已近70年,在此期间各种智能化方法被提出用于解决各种实际应用问题,其中模糊识别技术及模糊智能系统建模技术在医疗、控制、经济等领域得到了广泛的关注及使用。然而,随着人们生活及科技水平的提升,越来越多的新应用场景被发现。在众多新应用场景中,多视角应用场景对人们的生活和生产有着广泛的影响,并由此产生了多视角学习技术。多视角学习技术旨在利用同一样本的不同视角数据提高泛化能力,相对于传统单视角算法,多视角算法能更有效地利用来自不同视角的数据。在多视角场景下,经研究发现一些经典的模糊系统建模技术变得不再可靠。这是由于经典模糊系统建模技术是针对单视角场景提出的,本身不具备多视角学习能力,若执意在多视角场景应用经典模糊系统建模方法,则只能在每个视角独立学习从而无法获得令人满意的结果。同时,我们发现目前已有的多视角学习技术只集中于实现各个显性视角的合作,而未能充分探讨和利用各视角间共享的隐信息。隐信息往往能反映多视角数据的本质属性,因而对多视角学习是非常有用的。为使解决经典模糊系统建模方法在多视角应用场景上面对的挑战,同时为解决已有多视角学习技术未能充分利用被各显性视角共享的隐视角信息的问题,本文展开了相关的研究。首先,本文提出了一种显隐信息协同学习的多视角模糊系统建模框架,该框架能使单视角模糊系统算法应用到多视角应用领域,同时相比传统多视角学习建模框架,该框架能引入隐空间信息,从而进一步利用多视角数据集不同视角之间的本质属性。其次,基于非负矩阵分解,提出了一种隐空间信息提取方法,以此来发掘显性视角之间的内在关联信息。最后分别以岭回归极限学习模糊系统和经典TSK模糊系统为基模型,采用本文所提框架,提出了两种具有显隐信息协同能力的多视角模糊系统建模方法,并在构造数据集和真实数据集上对算法的泛化能力进行了验证。实验结果表明,所提的两种具有显隐信息协同能力的相对单视角模糊系统算法和多视角算法具有更好的泛化能力。