随着信息采集技术的迅猛发展,多视图数据在实际应用中随处可见。如何从多视图数据中提取有用信息成为目前模式识别领域的研究热点。不同视图反映了物体的不同特性,并且互为补充。因此,有效地融合不同视图信息,学习多视图数据潜在的低维表示,可以获得对物体的深刻认识,对于后续数据分析性能的改善、学习算法复杂度的缩减至关重要。本文从多视图共享子空间学习的角度入手,围绕多视图数据的特性如维度高、噪音大、各视图数据存在差异性、相关性等,开展完整多视图数据表示学习研究、不完整多视图数据表示学习研究。主要创新点包括:(1)针对目前大部分的多视图学习方法通常假设各视图数据相互独立、对最终语义表示的贡献是等同的,忽略各视图之间的关联性和差异性的问题,提出了一种有效的完整多视图数据表示学习方法(tRLMvC)。该方法由两部分组成:多视图数据的自表示张量学习和Tucker分解自表示张量。前者首先设计三阶张量表示原始多视图数据,然后利用具有循环卷积功能的t-product操作学习自表示张量,以便深入探索多视图数据间的相关性,包括同一视图内样本间的相关性,及不同视图间的关联性。后者引用Tucker分解以便在量化各视图的重要性的同时,获得数据的统一低维表示。迭代地执行这两部分,可以有效地增强自表示张量及其分解因子的学习效果。tRLMvC可以有效地量化各视图的重要性,同时从各视图中抽取适量信息识别多视图数据的统一低维表示。实验结果表明,充分考虑视图间的高阶相关性和差异性有利于提升多视图数据表示学习的性能。(2)针对部分视图数据存在实例缺失的问题,提出了一种有效的不完整跨视图哈希表示学习方法。其主要目的在于学习特定视图的哈希函数,在探究不完整视图间的关联性的同时,尽可能多地保留原始数据信息。具体来讲,该方法在共享空间内使用另一视图的数据对象,以线性组合的方式,重构当前视图的数据对象,其重构系数表示视图间的相关性。同时,为尽可能多地保留原始特征信息,对各视图的映射矩阵施加正交约束。引入量化策略将各视图在共享空间的隐表示转变成离散的哈希码。大量的跨视图检索实验验证了RUCMH方法可以有效处理不完整多视图数据。(3)针对多视图数据特征维度高,各视图数据特征表征能力不同,提出了一种多视图数据特征重要性和表示学习方法(WMvRL),可以有效处理完整多视图数据和不完整多视图数据。其主要学习目标在于量化视图内各特征的判别能力及各视图的贡献度,捕获多个视图和对象间的相关性,学习更精准的数据表示。具体来讲,WMvRL可以结合特征重要性度量,从多个异构特征空间中识别共享的低维潜在特征空间,重新表示观测样本。为了强化各视图中的信息特征,同时削弱噪声特征,WMvRL引入特征权重向量自动评估各特征的重要性。同时构建各视图的自表示矩阵为三阶张量,引入张量核范数(twist tensor nuclear norm,t-TNN)捕捉多视图数据间的高阶相关性。在自表示张量上应用Tucker分解,以便在确定共享的低维潜在空间的同时,量化各视图的贡献度。实验结果表明,同时量化不同特征的重要性、不同视图的贡献度有助于提升多视图数据表示学习的性能。