随着数据采集技术的发展,在社会的诸多领域中,描述同一对象的特征可以来自不同的数据源,因此采集到的数据由多种特征表示组成。这类数据被称为多视图数据,其中每种表示对应数据的一个视图。多视图学习旨在结合多个视图的信息取得更好的学习效果。传统的有监督多视图学习以数据的标签及各视图的特征为输入,通常假设信息是完全的,即数据具有完整的标签信息及特征信息。然而,在实际应用中,经常面临信息不完全情形下的多视图学习问题,主要表现为标签不足或各视图的特征不完整,信息的缺失使得传统方法往往难以取得令人满意的学习效果。因此,从标签和特征两个维度,针对信息不完全情形下的多视图学习方法,本文开展了以下研究:1.针对数据标注有限且视图特征完整的半监督分类任务,提出了结合一致性与多样性的多视图半监督分类方法。通过设计概率链式损失,要求不同视图的分类器具有一致的预测结果,同时自动地区分了数据样本之间的不同重要性,减小了预测置信度较低的数据样本在训练模型时的权重,设计幂平均策略结合各视图的损失,在学习共有标签矩阵时,降低了损失较大的视图的影响。实验结果表明,通过同时利用预测一致性信息和样本之间、视图之间的多样性信息,该方法大多数情况下能取得了较对比方法更好的分类效果。2.针对数据标注有限且视图特征整体缺失的半监督分类任务,提出了缺失多视图半监督分类方法。基于各视图构造的不完全图矩阵,对每个视图存在的样本进行分类,同时度量各个视图的分类结果与类别指示向量之间的差异,学习跨视图的概率标签矩阵。与传统研究不同,该方法尝试采用全新的基于图的方法进行不完全多视图半监督分类。此外,通过设计基于锚点策略的相似性计算方法以及高效的迭代求解方式,算法的计算复杂度显著降低。所提方法在多个数据集上以及文本分类应用中取得了优于对比方法的分类结果。3.针对数据无标注且视图特征整体缺失的聚类任务,本文进行了两种探索。基于不完全图矩阵的多视图谱聚类方法以各视图独立构造的不完全图矩阵为输入,同时进行图矩阵补全和表示学习来更好地挖掘数据的聚类信息,通过引入视图独有的表示矩阵及使用p次幂结合策略,更好地利用了视图间的多样性信息。基于各视图的不完全图矩阵,联合表示学习和聚类框架同时学习视图独有的表示矩阵和视图共有的概率类别指示矩阵,使表示学习考虑聚类的需求。此框架可以将传统基于图的表示学习方法改造为针对不完全多视图数据的聚类方法,建立了单视图表示学习与不完全多视图聚类之间的联系。4.针对数据无标注且视图特征任意缺失的聚类任务,提出了基于不完整特征的多视图低秩子空间聚类方法。通过自表达重构,该方法同时补全缺失的特征及学习视图独有的自表达矩阵,通过引入跨视图的自表达矩阵,以及设计基于互补性信息的视图权重学习机制,不同视图的信息可以合理地交互,通过添加低秩约束,更好地挖掘自表达矩阵的本征结构,同时降低了求解算法的计算复杂度。此外,本文介绍了传统多视图子空间聚类方法的改造方式,使之能处理视图特征任意缺失的多视图数据。多个数据集上的实验结果表明,所提方法在大多数情况下能取得较对比方法更优或相当的聚类结果。开展信息不完全情形下的多视图学习方法研究可以丰富完善机器学习领域的理论方法,并为实际应用中的数据分析处理提供相应的方法支撑。