随着互联网、物联网等技术的飞速发展,在社会生活的各个领域,涌现出海量的多视角数据。多视角数据指的是同一对象从不同途径或不同层面获得的特征数据,其呈现出多态性、多源性、多描述性和高维异构性等特点。例如自动驾驶中,车辆通过摄像头、激光雷达等多个传感器收集到的多视角数据感知周围环境。多视角学习方法利用了视角之间信息的互补性,对多视角信息进行多层面的处理,获得对事物的全面理解,这是单视角方法无法比拟的。由于多视角数据往往比单视角数据具有更高的维数,基于多视角数据的学习任务更容易受到“维数灾难”的影响。因此,对多视角数据进行维数约简、提取高层表达成为多视角学习中一个非常重要的步骤。近年来,由于深度神经网络模型在众多表达学习相关的问题上都取得了瞩目的成绩,学者们也将其应用于多视角学习领域,从而产生了大量多视角深度学习相关的研究。然而现有的研究工作中还存在下列问题需要进一步解决:1)如何捕获多视角数据之中的一致性和互补性概念。由于多视角数据的不同视角间既具有内在联系又存在差异,因此在学习的过程中需要最大化多个视角之间的一致性,同时保留视角间相互补充的信息,才能全面而准确地描述数据;2)如何解决视角缺失问题。在现实环境中由于数据收集困难、高额成本或设备故障等,使得收集到的多视角数据中的部分视角出现缺失。多视角数据的缺失使得对由多视角所刻画的对象进行深度分析与理解变得更加困难;3)在具体应用中,如何利用多视角数据来提升传统的基于单视角数据的方法的性能。本文围绕上述三个问题进行深入研究,提出了多种新颖的多视角深度表达学习算法,概括如下:1)基于深度矩阵分解的多视角概念学习。现有的基于深度矩阵分解的多视角学习方法难以捕获多视角数据中的一致性和互补性概念。本文提出了一种新的深度多视角概念学习框架,通过多层分解数据矩阵,最终在最高层学习了蕴含一致性和互补性概念的语义表达。接着,本文设计了基于块坐标下降的优化算法来求解相关的优化问题。最后,通过实验证明,本文所提算法显著提升了现有多视角浅层算法和深度算法的性能。2)基于生成对抗网络的不完整多视角数据聚类。现有针对视角缺失问题的多视角深度学习方法至少存在以下一项的缺陷:（1）忽略了缺失数据中的语义信息;（2）只能适用于视角数为2的场景。为此,本文提出了一个对抗不完整多视角聚类框架来学习不完整多视角数据的共同表达,并藉此重构原始数据并推测缺失数据。该框架将元素级重构损失和对抗损失相结合来衡量重构的效果,这两个损失分别捕获了数据的总体结构和深层语义信息。最后通过实验证明,本文所提算法显著提升了现有不完整多视角聚类算法的性能。3)基于用户多视角偏好的个性化推荐。个性化推荐系统旨在通过用户的历史数据,找到用户潜在喜欢的商品。然而,现有推荐算法关注于捕获用户评论数据中体现的偏好,而忽略了商品图像中蕴含的用户视觉偏好。本文提出了一种基于用户多视角偏好的深度推荐方法来捕获用户和商品的多视角（文本及视觉）匹配信息。本文在用户历史评论和商品收到的评论中提取文本匹配信息;同时构建用户视觉偏好表达,并将其与商品视觉表达进行匹配,得到视觉匹配信息。接着,本文使用多视角匹配信息来判断用户对商品的潜在喜欢程度,并据此生成推荐。最后,通过餐馆推荐和商品推荐实验证明了,提取用户的多视角偏好进行推荐,可以显著提升基于用户单视角偏好的推荐算法的性能。4)基于社会媒体多视角数据的图像检索。随着社交媒体的火热发展,越来越多的用户在互联网上传、分享他们的图像以及标签,促使产生了大量的带用户标签的图像。然而,用户标签数据中存在噪音、语义模糊以及语义不完整问题。本文提出一个新的基于社会媒体多视角数据的图像检索框架,借助于社会媒体上用户提供的文本标签中的语义信息,学习图像哈希函数。该框架有两个优点:（1）可以获得大量的弱标注训练数据（用户标注的文本标签）来训练深度哈希模型;（2）相比于手工标记数据,用户标注的标签往往蕴含了更丰富的语义。不同于先前的无监督或有监督哈希算法,本文所提的弱监督深度哈希框架包含了弱监督预训练,以及监督精调两个步骤:第一步从图像附属的标签中学习一个语义向量,接着用它来指导哈希网络的预训练;第二步使用任何基于深度学习的监督哈希算法精调哈希网络。最后,通过实验证明,本文所提算法可以有效提升现有监督哈希算法的性能。文章最后总结了本文工作,并展望了多视角深度学习技术未来可研究的方向。