在大数据时代,描述同一物体或事件的数据一般可以通过不同的来源或从不同的角度观察得到,这些数据被称为多视图数据。同时,这些多视图数据拥有数据规模大、维度高和内在结构复杂等特性。在大数据挖掘和分析中,充分获取和利用多视图数据中的知识非常重要。所以,如何有效地融合多视图数据,挖掘视图间的内在联系来进行高效学习是一项具有挑战性的工作。本文研究了基于深度学习的表示学习、多视图融合和聚类问题,并且在现有的聚类方法和多视图学习方法基础上提出改进。首先,本文研究了一种深度加权K子空间聚类方法。结合了深度自动编码器和K子空间聚类,通过增加软标签和正则项来解决K子空间聚类对离群值敏感和依赖初始化的问题,并通过构建统一的框架对模型进行联合训练。这种端对端的方法可以有效解决大规模数据的存储和处理时间问题。另外,通过随机初始化模型参数也能够找到可靠的K个子空间,解决了深度聚类中依赖其他聚类网络来进行参数初始化的问题,从而提升了聚类效果的稳定性。其次,本文研究了一种基于一致性表示学习的生成式多视图聚类网络,通过变分自动编码器学习遵循高斯混合分布的共享隐变量,然后利用共享的隐变量进行聚类。特别地,我们的模型基于这样一个假设前提,即尽管视图之间存在差异,但多视图数据共享同一个的隐变量,并且这个隐变量服从高斯混合分布。同时,多视图数据可以从共同的隐变量采样再通过生成网络得到。为了更好地利用多视图数据一致性信息,我们引入了一组非负组合权重对不同视图的隐空间进行融合,这些权重体现了不同视图对共享隐变量的贡献。该模型以无监督的方式有效地利用了多个视图中一致性信息进行聚类,并且对生成过程进行建模。不仅可以提升了最终的聚类效果,还提高了多视图数据的融合能力和生成能力。另外,得益于深度学习的批量处理和梯度下降优化方法,该模型很容易扩展到大规模数据中。最后,我们分别对本文中所提出的改进算法,在多个公开基准数据集和大规模数据集上进行了充分有效的实验,来证明算法改进的有效性。