许多现实问题中的数据可以由多个视图进行描述,多视图学习是研究如何利用数据多视图特性进行建模的机器学习分支。用知识建模现象、用观测更新知识是科学研究中极为重要的做法,而贝叶斯法则为实施这两点提供了理论框架和计算工具。关于多视图数据的知识通常可以分解为两部分,分别是关于各视图内部结构的知识和关于不同视图间关联的知识,其中后者呈现出一种跨任务的共性,并可以被归结为几种多视图假设。视图一致性假设是多视图监督学习任务中最常用的多视图假设,如何将视图一致性假设作为知识进行贝叶斯多视图学习是一个重要的研究问题。在标准贝叶斯框架下,关于数据的知识通常被用作建立模型或是选择模型空间上的先验,然而视图一致性假设很难直接被用于这两点。从建模角度来看,视图一致性是关于预测函数的假设,贝叶斯预测函数依赖模型关于后验分布的期望,难以在建模过程中直接表达关于不同视图预测函数的一致性;从先验选择的角度来看,视图一致性假设依赖于具体数据分布,无法在不使用数据情况下将其表达为模型空间上的分布,使用训练数据选择先验违背了似然原则,容易导致过拟合,使用预留数据则会降低数据的利用效率。此外,进行贝叶斯多视图学习还要面临一个问题,即对于复杂的模型贝叶斯后验的精确推理往往是不可解的,需要进行一些近似。针对贝叶斯多视图学习中面临的问题,本文研究在对后验分布进行变分近似的过程中利用视图一致性假设进行多视图学习。由于近似后验分布对数据的依赖,我们可以充分利用训练数据来衡量视图的一致性,并通过选择合适的变分目标和变分分布族,对不同视图的预测函数施加约束。此外,尽管数据依赖的先验不适合直接用于贝叶斯学习,在PAC贝叶斯框架下,这类先验可以被用于分析算法的泛化性能。本文将上述想法应用于设计和分析多视图核方法。具体地来说,我们提出:软间隔一致多视图最大熵判别（SMVMED）:最大熵判别结合了贝叶斯学习和大间隔原则,通过求解一个变分优化问题来学习满足大分类间隔的分类器后验分布。SMVMED对每个视图使用最大熵判别进行建模,并通过修改变分目标关联不同视图的分类间隔以实现视图一致。我们使用高斯过程对SMVMED进行实例化,并提出针对该实例的序列最小优化算法以加速训练。多视图变分稀疏高斯过程（MVSGP）:变分稀疏高斯过程使用一组归纳点对高斯过程模型后验进行稀疏近似。MVSGP在此基础上使用一组额外的共享归纳点,通过为每个视图选择在这组共享归纳点上有相同均值的变分分布族,使得不同视图的预测函数满足视图一致。我们使用一个额外的高斯过程模型来学习这组共享归纳点。合成和真实数据集上的实验验证了这一方法能学到更具表达力的共享归纳点,且能使用少量的共享归纳点把握视图间关联。多视图PAC贝叶斯理论:统计学习理论为机器学习算法的泛化性能提供理论分析,PAC贝叶斯理论使用基于关于数据的知识构造的先验和基于算法学到的分类器构造的后验,能够给出算法泛化误差的紧致上界。针对在多视图学习领域中PAC贝叶斯理论的缺失,我们提出利用视图一致性构造假设类上的数据依赖先验,针对多视图核方法进行PAC贝叶斯分析,并将其用于多视图支持向量机。