近年来随着互联网技术和信息技术的发展,数据采集的渠道越来越多,各行各业积累了大量的数据资源。对同一数据对象,可以利用多源信息采集技术从不同角度对其进行描述,通常将这样的数据称为多视图数据。由于多视图数据包含着更多的信息,同时不同视图之间通常具有一致性和互补性,如何有效利用这些信息以提高聚类的性能已成为数据挖掘领域的一个重要研究问题。传统的聚类算法主要用于单视图数据,无法有效整合多视图所包含的信息。它在处理多视图数据时,只能对其中某一个视图进行聚类分析,或者将所有视图数据拼接到一起进行单视图聚类,这样大大折损信息价值。因此针对多视图数据的聚类研究受到广泛关注,并得到快速发展。尽管多视图聚类技术取得长足的进步,但仍然面临一些挑战,即如何充分利用多视图数据中的一致性信息和互补性信息;如何区分不同视图信息的重要性,进而有效揭示多视图数据的潜在聚类结构;如何保证不同簇中心之间具有较高的分辨率,避免多个簇中心集中在一个点上,出现簇融合现象。针对这些问题,本文提出基于HSIC独立性准则的自适应多视图模糊聚类方法—HSICMVC,该算法引入统计相关性指标—希尔伯特·施密特独立性指标（HSIC）,考虑单个聚类中心的代表性和不同聚类中心之间的差异性来度量不同聚类的多样性信息,避免簇融合现象。此外采用多视图模糊聚类的方法,降低数据中异常值的影响,提高抗噪声能力,根据不同视图的重要性分配不同权重,并自适应的更新权重,进行协同聚类,有效提取各视图的综合数据信息,平衡不同视图的独特信息和共同信息。进一步本文采用交替优化算法求解目标函数,并在真实数据集上进行对比试验,实验结果表明,在多项聚类评估指标下,本文提出的方法要优于其他多视图聚类方法。