多视图新闻数据聚类分析可以快速从海量新闻中获得有价值的信息,在舆情分析、个性化新闻推荐、情感分析、预警等领域能够得到较好的应用效果。当前的多视图新闻数据聚类分析存在以下几个问题:（1）新闻内容中的文本、图片和音视频等多媒体信息是由不同语义层次、不同粒度的内容概念进行描述的,若直接将各视图一视同仁地进行学习,将严重影响数据挖掘性能。（2）到目前为止,大多数方法都是在假设各视图是完备的基础上进行实验的。但在现实应用中,由于各种情形,导致完备视图数据很难获取,因此传统方法并不能较好地对不完备多视图数据进行聚类分析。针对以上几个问题,本文对混合粒度多视图新闻数据聚类方法以及不完备多视图新闻数据聚类方法进行了研究。主要研究工作如下:1.提出一种混合粒度多视图新闻数据聚类方法。针对现有的新闻数据聚类分析方法并未考虑不同视图特征的粒度差异以及视图重要性程度的差异,对现有的方法进行优化。首先,通过特征选择使得各视图混合粒度特征统一到相同的标签粒度。然后通过熵对各个视图进行加权融合,减少类别划分并不明确的特征空间所对应的视图对整个多视图聚类分析的作用。最后,用标准的k-means方法进行聚类。2.提出一种不完备多视图新闻数据聚类方法。针对现有大多数方法是在各个视图完整的假设基础上进行研究,并不能较好地处理视图不完备的数据的问题,对现有的方法进行改进。在混合粒度多视图新闻数据聚类方法的基础上,计算不完备多视图数据的相似度矩阵。同时,借助非负矩阵分解获得原始数据相似度矩阵的子空间矩阵,降低由于填充不准确带来的影响,并将缺失视图数据的填充和聚类过程相统一,通过可观测的视图数据迭代地更新缺失视图数据。3.基于多视图聚类的新闻热门话题发现应用。针对网络新闻数据热门话题发现应用场景存在新闻传播的平台广泛、新闻数据类型复杂、新闻数据数量庞大以及新闻传播速度极快等问题,本文将不完备多视图新闻数据聚类算法（IMVCN）应用在实际的新闻热门话题发现上,对网络新闻数据进行聚类,有效地挖掘出了新闻的热门话题。