随着现今科技的迅猛发展,多视图数据越来越普遍地存在于人们的生活中。这一方面为机器学习算法能够利用具有多样性的数据,更好地揭示模式内在本质特性带来了新的契机。另一方面也给传统的、面向单一视图的数据分析算法带来了新的挑战。如何充分挖掘多视图数据潜在的共性信息,利用多视图数据的互补信息完成识别和分类的任务,已成为机器学习领域的研究热点。首先,本文借鉴典型相关性分析的思想,在稀疏嵌入分析的基础上,提出了一种新颖的多视图识别算法,称为多视图稀疏嵌入分析(Multi-view Sparse Embedding Analysis,MvSEA)。MvSEA不仅挖掘了多视图数据间潜在的共性信息,还考虑利用了视图内的鉴别相关性信息,即保留了每个视图内同类特征之间的相关性,同时去除了异类之间的相关性。除此之外,该算法保留的多视图数据间的稀疏重构关系有助于在分类阶段取得更好的识别效果。该数学模型的求解可以通过MvSEA提供的迭代优化算法得到。其次,我们在MvSEA模型的基础上,增加了投影变换矩阵的正交约束,进而提出了改进型的MvSEA算法(EMvSEA)。增加投影矩阵的正交约束一方面能更好地保留数据之间的重构关系,另一方面达到减少提取特征的冗余信息的目的。EMvSEA经过一些巧妙的数学变换,仍能够采用迭代优化过程进行求解。除此之外,该算法借助奇异值分解(SVD)对求解过程进行优化,使得EMvSEA享有较好的计算效率。最后,当多类样本线性不可分时,我们提出了多视图核稀疏嵌入分析(MvKSEA)方法。该算法将EMvSEA算法扩展到了核空间,所以能够挖掘隐藏在图像空间中的非线性结构,进一步增强算法的分类能力。该数学模型的求解可以通过MvKSEA提供的迭代优化算法得到。基于MFD多特征集手写体数据库、Multi-PIE人脸数据库和PolyU多光谱掌纹数据库的实验表明,所提方法能够有效地解决多视图分类问题。同时,相较于现有的多视图识别的主流方法,本文提出的一系列方法改善了识别性能。