随着信息技术的快速发展,在很多实际问题中,为了尽可能地对要研究的对象进行全面描述,人们往往需要从不同的方面或者通过不同途径对其进行表示,从而构成了研究对象的多视角数据。目前,已经有研究者指出,由于多视角数据可以提供更加丰富的信息,基于多视角数据的学习通常比基于单视角数据的学习更具优势。然而,由于多视角数据比单视角数据具有更高的维数,基于多视角数据的学习任务更容易受到“维数灾难”的影响。因此,对多视角数据进行维数约简(或称降维)就变得尤为重要。在多视角数据中,由于不同视角所描述的特征往往具有不同的物理意义,因此,如何在维数约简的过程中考虑不同视角数据之间的相互作用,兼顾不同视角数据的互补关系,进而提高学习的效率,成为一个亟待解决的问题。本文针对基于图嵌入的多视角数据学习方法进行研究,提出了一种新的数据降维方法——基于低秩图的多视角数据维数约简方法(Multi-view Data Dimensionality Reduction based on Low-rank Graph,简称MDDRLG)。与其它基于图嵌入的多视角数据维数约简方法相比,本文提出的MDDRLG方法具有以下几个特点:首先,该模型考虑了包含在多视角输入数据中的噪声信息,通过利用低秩和稀疏分解的方法对其进行了控制,从而提升了算法的学习性能和鲁棒性;其次,为了更加充分地探索不同视角数据间的互补信息,我们引入一种自适应优化策略,通过对不同视角数据进行加权组合,使MDDRLG方法构建的共享图能够更准确且全面地描绘多视角输入数据的判别信息。最后,本文还提出了一种有效的迭代优化算法来求解MDDRLG方法。为了验证本文提出方法的有效性,分别在四个数据库上进行了分类、聚类和标签传递等实验,并将MDDRLG方法与其它基于图的多视角学习方法进行对比。大量实验结果表明本文所提出方法的可行性及有效性。