多视图数据通常定义为由不同表示组成的综合型表示数据。多视图数据处理过程中的两个关键因素分别是一致性特性和互补性特性,基于这两个特性使得多视图学习可以更全面地覆盖数据样本的所有特征。然而,大多数针对多视图数据的算法只能针对单视图进行处理并忽略了这两个特性。为了更加完善地利用多视图数据间的各种信息,衍生了许多新兴算法用于处理各个视图中的特征数据。多视图子空间学习方法通过对所有视图数据的多个子空间或隐空间的统一表示进行学习并利用统一表示进行分类或聚类,能更加轻松且高效地完成任务。本研究将多视图子空间学习方法分为两种主要类型,即基于子空间自表示学习的方法和基于非负矩阵因式分解（Non-Negative Matrix Factorization,NMF）的方法,并根据这两种基本类型提出了全新的多视图子空间学习算法。为了进一步提升多视图数据间信息利用率并兼顾两大特性,本文提出了一种基于NMF的半监督多视图学习算法,称为多视图部分共享隐特征学习（Multi-view classification via Multi-view Partially Common Feature Latent Factor Learning,MVPCFLF）。MVPCFLF算法是基于部分共享潜在因子学习的扩展学习形式,它可以充分利用公共信息和特殊信息来获得潜在表示。MVPCFLF算法的关键思想在于增加对公共特征矩阵的约束以保持公共特征的一致性。实验结果表明,MVPCLFF算法比现有的多视图学习算法在6个数据集上的分类问题上更加有效。其次,本文提出了一种基于注意力和自编码器的多视图子空间对齐学习方法（Multi-view Subspace Adaptive Learning via Autoencoder and Attention,MSALAA）。传统的子空间聚类方法将单个视图的邻接矩阵进行聚类,忽略了视图之间融合的问题。MSALAA算法结合了自编码器算法、注意力机制算法和多视图低秩稀疏子空间聚类方法,不仅可以提高非线性拟合能力,还可以满足一致性特性和互补性特性。实验结果表明,MSALAA算法能够在8个数据集的聚类问题上明显优于现有基准方法。