在现实中,人们接收的数据通常由多种不同模态的特征构成。这些数据往往缺失类别标注,从而使人们无法准确接收想要的信息,因此需要对多模态数据进行聚类。多模态数据聚类任务首先需要连接多模态数据的特征,然后在连接的特征上进行聚类。然而特征连接有可能会引发维度灾难问题,并且在进行特征连接时,通常需要得知构成多模态数据的不同模态之间的联系。而每种模态的特征具有非常不同的统计特性,对于这种特征联系的发掘是很难的课题。考虑到多模态数据的分布特征对于聚类的友好性,本文提出了基于交叉重构的多模态数据的无监督特征提取,并在提取的特征上进行聚类的方法。该方法旨在挖掘不同模态数据的分布特征,通过交叉重构技巧减小不同模态数据的分布差异,从而使不同模态的特征具备相似的分布。在提取到不同模态数据的分布特征后,多模态特征融合就具备了一定的物理意义,并且在聚类任务上可以表现出良好的效果。除此之外,本文对提出的交叉重构方法进行了深刻的理论分析。结果显示,交叉重构方法有效地减小了多模态数据特征分布的Wasserstein距离。本文在6个多模态数据集上进行了一系列的聚类实验,验证了所提出方法的有效性。实验结果表明基于交叉重构的多模态数据聚类算法明显优于其他的多模态聚类算法,并且通过对比实验证明了所提出的交叉重构方法在多模态数据特征提取中扮演了重要的角色。结果表明,我们的方法相对于其他的最新技术有了明显的改进。