深度高斯过程(deep Gaussian process,DGP)是一种流行的概率建模方法,它具有强大的功能,适用于函数近似和不确定性估计,能广泛应用于各个机器学习领域。随着大数据时代的到来,数据的获取方式和特征类型不断增多,出现了越来越多的多视图数据。然而,传统的DGP主要处理的是单视图数据的建模问题,缺乏对多视图情况的考虑。因此,本文主要研究的是多视图深度高斯过程,提出了一般化的多视图深度高斯过程回归模型以及可以使训练过程更加高效的预训练多视图深度高斯过程模型。首先,对于来自不同的来源或者是由不同类型特征构成的多视图数据,本文考虑了不同视图的数据特性,提出了一个端到端的多视图深度高斯过程(multi-view deep Gaussian process,MvDGP)回归模型,以区别地捕获不同视图 的数据和特征。在推理的过程中,本文在经典的概率推理方法的基础上做了两方面的改进。一是没有像一般的贝叶斯训练框架一样强制地假设各潜变量层之间相互独立,而是保留了模型假设的灵活性以确保模型的性能。二是采用了稀疏变分推理和随机优化等技术,提高了模型对大规模数据的建模能力。同时,MvDGP模型不局限于两个视图的建模,它可以泛化到更多视图的场景,且各个视图网络的深度可以根据数据特性灵活地进行设定。在真实数据集上的实验结果表明,MvDGP模型对于多视图数据具有显著的建模表示和不确定性估计能力,并且在大规模数据中可行,其性能优于常用的多视图学习方法和最新的DGP模型。其次,为了进一步加快MvDGP模型的训练速度,本文提出了一个预训练的多视图深度高斯过程(pre-trained multi-view deep Gaussian process,PreMvDGP)模型。基于高斯过程等价于无限宽的神经网络,以及神经网络和单层高斯过程的训练难度低于深度高斯过程这两个事实,本文为MvDGP模型设计了一个适应多视图输入的两阶段预训练方法。在预训练的第一阶段,使用一个与MvDGP模型具有类似结构的深度神经网络对给定数据进行训练。在预训练的第二阶段,将第一阶段训练得到的神经网络中各个隐藏层值作为对应的单层高斯过程模型的输入和输出,训练得到各个单层高斯的参数。经过这两个阶段的充分训练,可以为MvDGP模型提供一组合适的初始参数,从而加快模型的训练速度并提升模型的泛化性能。实验结果表明,PreMvDGP模型在分类任务中与MvDGP模型一样具有突出的性能,显著优于常用的多视图学习方法、最新的DGP模型和深度神经网络,且该模型适用于大规模的多视图数据。PreMvDGP模型通过预训练方法可以使模型更快地达到收敛,大幅缩减了训练所需的时间。该模型在保证分类性能的同时提升了计算效率,其运算速度与最先进的DGP模型相比具有明显的优势,在实际应用中具有重要意义。综上所述,本文所提出的MvDGP模型可以有效地处理大规模的多视图数据,PreMvDGP模型进一步地提升了计算性能。本文的工作是DGP模型在多视图场景和大规模数据中的泛化和完善。实验结果验证了所提出模型的合理性和有效性。