由于大数据的普及和信息智能化,数据也随之变得多元化,比如在识别某人身份问题上,以往一般只通过样貌来识别,但随着科技发展,采集数据的方法和仪器都比以往要更先进,识别某人身份可以综合个人指纹、走路形态、说话声音等信息去识别,而丰富的信息对于识别率的提高有着重要价值。所以在当今热门的领域中,多视图学习也在于此,该研究方向也具有广阔的研究价值。在多视图学习中,需要主要解决两个问题:(1)一致性问题。由于多视图数据来源于同一个物体,因此如何挖掘多视图数据之间潜在的一致性是需要解决的一个问题。(2)互补性问题。不同视图数据是通过不同设备仪器或者特征提取方法进行获取,它们具有各自独特的视图信息,因此挖掘多试图数据之间的互补信息是另一个需要解决的问题。在当今已有的多视图分类算法中,这些算法很多要么只是考虑了多视图中的一致性信息,而忽视了多视图数据里的互补性信息,或者与之相反,要么只考虑了多视图中的互补性信息,而没有更好利用多视图数据里的一致性信息,即存在无法同时考虑一致性和互补性的问题。因此,针对上述存在的问题,本论文主要针对多视图分类进行研究,提出了两个回归模型,分别从一致性和互补性来处理多视图数据,主要研究内容如下:(1)针对传统协作表达分类模型缺乏了描绘多视图数据一致性的能力的问题,本论文提出了基于一致协作表达的多视图分类模型。在协作表达分类模型的基础上,分别计算不同视图的协作表达,再引入表达一致正则项,将不同视图的协作表达逼近它们的中心,目的是利用协作表达的一致性来提升分类精度,实验结果有效验证了我们方法的可行性。(2)针对多视图分类方法中无法同时考虑一致性和互补性的问题,本论文提出基于判别性以及重定目标的最小二乘回归多视图分类模型,通过共享回归类标矩阵和特定视图回归类标矩阵逼近真实的类标矩阵,是为了更好的得知多视图数据的一致性以及互补性,以此来提高分类精度,最后用已有的比较好的对比方法来进行实验证实其方法是有效的。