多视图聚类旨在利用不同视图信息的一致性和互补性,高效地发掘多视图数据的潜在价值,是大数据分析的主要研究方向之一。鉴于大多数传统的单视图聚类方法都不适用于处理多视图数据,且现有多视图聚类方法要么无法有效地探索视图之间的潜在联系,要么不能充分考虑到不同视图对最终聚类结果的贡献度,因此,如何提出高效的多视图聚类方法引起了不少研究者的重视。由于深度神经网络具有超强的非线性拟合能力,将多视图聚类和深度学习模型进行结合已经成了当下的研究热点,本文基于生成式模型变分自编码器对深度多视图聚类方法开展研究,主要创新工作如下:（1）为合理利用多视图数据的一致性和互补性,且考虑不同视图的重要性差异,提出一种基于分布对齐变分自编码器的深度多视图聚类方法。该方法在深度变分自编码器学习视图潜在分布的过程中加入分布对齐策略,可对多视图数据进行一致性学习,同时利用解码器的重构损失约束可保留自身视图表达性强的特征信息;然后,为考虑到不同视图对聚类结果的影响,引入一组自适应权重向量以获取共享的潜在表示;最后,联合深度嵌入式聚类损失进行优化学习。该方法在五个公共多视图数据集上进行了广泛的对比实验,在多个聚类评价指标上均表现出优异的聚类性能。（2）受有监督学习在具有标签信息情况下往往能有效解决问题的启发,我们对自监督学习思想与深度多视图聚类方法的结合进行了有益的尝试,提出了交叉分布对齐的深度自监督多视图聚类方法。首先,在本文提出的第一个方法的实验中发现,分布对齐策略可能会带来一致性学习过强的约束问题,为此,我们引入跨视图交叉对齐策略来平衡多视图一致性和互补性学习,即在解码过程中不仅限于视图本身信息,还加入其他视图的信息进行交叉重构训练。此外,通过设计一个分类网络作为下游任务,将聚类结果标签信息作为伪标签进行监督,可共同优化网络参数和聚类结果。实验结果表明,该方法对聚类性能具有一定的提升。综上所述,本课题为有效挖掘多视图数据的潜在价值,提出了两种性能优异的多视图聚类方法,并对相应的模型进行了收敛性分析、运行时间对比、参数分析等实验。两种方法在多个公开数据集上均取得优异的聚类结果,验证了所提出方法的有效性。