随着信息采集技术的快速发展和计算机存储能力的提高,数据量增长迅速,与此同时,数据内部结构更加复杂,如何在规模庞大和结构复杂的数据当中挖掘出有用的信息为社会的生产生活创造价值是当今大数据时代面临的主要挑战。聚类分析是数据挖掘的基本工具,主要目的是根据样本之间的相似度将数据集划分为若干个子集。针对高维多视图数据集的聚类问题,基于子空间学习的方法由于其具有良好的聚类性能受到广泛关注。近年来,有许多基于子空间学习的多视图聚类方法被提出,但是,这些方法仍然存在一些不足,本文针对这些方法当中存在的不足,利用自适应隐表示、流形正则化、块对角正则和多样性约束等理论对这些方法进行改进,提出两种基于子空间学习的多视图聚类方法,可总结如下:(1)由于传统多视图聚类方法将自适应一致表示的学习和相似度矩阵的学习分开进行,无法得到多视图数据的准确的相似度矩阵表示。针对这一问题,提出基于自适应隐表示的多视图子空间聚类方法,该方法是一种联合学习框架,可以将以上两部分统一到一个目标函数中进行优化,得到更为紧致的聚类结果,在模型中,采用自适应加权的方式自动调整每个视图学习一致表示的重要程度,进一步利用流形正则化方法使隐表示保持原视图内数据的局部几何结构,同时学习隐表示的自表示系数矩阵。由实验结果可知,该方法有效提高了聚类的准确率。(2)针对现有的多视图子空间聚类方法利用特定类型的范数对噪声矩阵进行约束而不鲁棒的问题,提出一种基于块对角分解和HSIC的多视图子空间聚类方法,假设数据集中的各个子空间之间是相互独立的,因此,每个视图对应的理想邻接矩阵的结构应是块对角的,该方法利用块对角正则保持子空间之间的独立性,减弱了噪声异常点数据的负面影响,同时,利用希尔伯特-施密特独立性判别准则计算不同视图的自表示系数矩阵的差异度,充分挖掘出不同视图包含的互补性信息,使整体的自表示系数矩阵全面准确的表达出样本之间的相似关系。实验结果证明了该方法的有效性。本文提出的两个方法分别以学习多个视图的一致性信息和互补性信息为出发点,利用子空间学习的相关理论得到样本集的聚类结果。由实验结果可知,本文提出的两种方法均有效提高了聚类的性能。