多视图聚类是机器学习的重要技术,旨在分析多个视图的数据特征对观测数据进行分组。由于基于张量的聚类分析有利于提取视图间的高阶相关统计,目前的多视图聚类研究重心从基于矩阵的子空间学习转移到基于张量的子空间学习。最近的研究表明,用三阶张量来表征多视图数据,并学习其低秩或稀疏的自表示张量实现多视图聚类是有效的,但是这些方法还存在一些不足。现有的算法,极大的依赖于本质的张量自表示学习,但没有考虑求本质张量的同时进行子空间融合,更没有考虑在流形空间融合公共子空间;此外,探索数据高阶表示时缺少对数据局部几何结构的约束、缺少考虑编码相似度张量中的高阶关系及缺少提取点对间的高阶关系。本文结合这些不足围绕多视图数据融合学习和高阶关系提取问题,进行了一系列的研究工作。本文的研究成果主要集中在如下几个方面:首先,论文围绕“如何有效融合多视图信息”的目标,提出了基于张量自表示和流形学习的多视图聚类、基于张量自表示和子空间融合的多视图聚类。前者旨在Grassmann Manifold空间进行公共子空间融合学习,后者旨在Euclidean空间进行公共子空间融合学习。第一,为了克服传统Euclidean空间运算的局限性,本文提出了基于张量自表示和流形学习的多视图聚类。我们在同一的优化模型中同时优化自表示张量、多视图公共的相似度矩阵。该方法不仅利用张量提取到高阶的视图互补信息,而且还探索了Grassmann流形度量在子空间学习中的优越性。第二,为了更加直接的实现信息融合,本文提出了融入子空间整合策略的自表示张量学习模型。现有的聚类算法不能在学习自表示张量的同时探索所有视图之间的公共子空间。该模型将子空间整合策略很好的加入优化模型,克服了子空间表示的缺陷。其次,论文围绕“如何有效利用高阶信息提升算法聚类效果”的目标,提出了三种有效利用高阶信息的聚类模型,以期提升聚类的性能。第一,为了提升自表示张量的可靠性来改善聚类,本文提出了融入低秩约束和图约束的自表示张量学习模型。该方法可以自然地捕捉到基本的全局结构和高阶相关性,并且在自表达张量学习方法中引入了图约束,使得算法保持了原空间中样本之间的局部亲和性。第二,为了进一步提取高阶的有效数据表示,本文提出了融入多维稀疏编码策略的多视图聚类方法。该算法首先学习到自表示张量,从而运用多维稀疏编码策略分析了相似度张量中的高阶统计量。它的优良性能在于学习到隐藏在多视图数据中的新颖而重要的表示,从而有效改善了基准数据集上的聚类。第三,为了充分的探索数据的内在结构,本文提出了联合利用视图内和视图间的高阶相关性实现多视图张量聚类。该方法旨在通过探索多视图数据中的两种高阶统计量,即视图内的高阶相似性（点对-点对）和视图间的高阶相关性（视图-视图）结合到自适应学习模型中,学习数据的本质结构。最后,作者对所提的不同算法,进行了一系列的实验验证,实验结果证明了所提出模型在多视图聚类领域的有效性和实用性。本文提出的算法框架深入的挖掘了多视图数据的本质结构,显著提升了聚类的性能,并丰富了机器学习和聚类分析领域对该问题的研究内容。