随着数据采集手段的不断增多,真实数据往往由多个模态组成或来自多个来源,这样的数据称为多视图数据。对多视图数据进行机器学习任务称为多视图学习。如今,多视图聚类作为多视图学习的一个热门领域已经引起了研究者广泛的关注,它提供了一种将多视图数据划分成簇的方式。目前,大多数多视图聚类算法都假设所有的视图是完备的。但是,在实际应用中,每个视图数据可能存在样本的缺失,从而导致不完备的多视图数据。现有的多视图聚类算法无法直接应用到不完备的多视图数据上,对这样的数据进行聚类称为不完备多视图聚类。针对不完备多视图聚类问题,本文的研究思路为:为所有的视图学习一个公共表示用于聚类。在学习公共表示的时候,引入误差矩阵对缺失的实例进行建模。此外,学习数据的亲和度矩阵以保留数据的全局结构从而提高学习的公共表示的可辨识性和紧凑性。最后,引入自适应权重学习用来为每个视图学习一个较为合适的权重以衡量视图的重要性,同时提高公共表示的可辨识性,进而提高聚类性能。本文以不完备多视图聚类为研究对象,取得了如下研究成果:（1）提出了同时学习公共表示和亲和度矩阵的不完备多视图聚类方法。该方法为所有的视图学习一个潜在的公共表示用于聚类。同时利用非缺失视图的可用信息和缺失视图的潜在语义信息来进行公共表示的学习。此外,本文引入了误差矩阵用来对缺失的实例进行建模,通过恢复缺失的视图,所有不完备的视图自然地对齐以学习视图的潜在公共表示。为了保留数据的全局结构,本文提出在学习公共表示的同时学习数据的亲和度矩阵。同时学习公共表示和亲和度矩阵可以引导学习更加具有辨识力和更紧凑的公共表示,从而提高聚类性能。最后,在四个真实数据集上进行了对比实验,实验结果验证了算法的有效性。（2）提出了自适应加权不完备多视图聚类方法。该方法考虑到每个视图由于可用实例数目和特征维度的不同使得每个视图的可用判别信息存在较大的差异,从而导致每个视图具有不同的重要性的情况。由于先验知识的不足,无法提前给定每个视图合适的权重来衡量视图的重要性。为了衡量视图的重要性以及提高聚类性能,本文在公共表示学习和亲和度学习模型中加入了自适应权重学习。通过为每个视图进行权重的学习可以得到每个视图最合理的权重,同时为每个视图分配合适的权重有利于学习更加具有辨识力的公共表示。最后,在五个真实数据集上进行实验,实验结果验证了算法的有效性。