随着计算机技术的飞速发展,数据的收集和存储能力得到了很大的提升。在现实应用中,经常会遇到来自多个视角的数据表示,多视角学习进而引起了研究人员的关注,并且成为了机器学习和模式识别领域中一个十分热门的研究话题。如何充分挖掘并融合多视角间的潜在一致信息和互补信息是多视角学习的研究重点。在基于多视角潜在关联挖掘的算法研究中可以分为多视角有监督学习和多视角无监督学习。在多视角有监督学习中,基于多视角的人体动作识别一直都是具有挑战性的课题,并因其在智能监控和人机交互等领域的广泛应用而受到学术界的密切关注。在多视角无监督学习中,多视角聚类一直以来都是基础且热门的话题,主要应用于文本聚类和图像分析等领域。因此,本文将从上述两个角度出发对多视角学习进行研究。本文的研究工作主要包含了以下两个部分:1)基于有监督多视角潜在关联挖掘的多视角人体动作识别算法研究;2)基于无监督多视角潜在关联挖掘的多视角聚类算法研究。具体工作如下:1)提出了一种基于自适应融合和类别级字典学习模型的多视角人体动作识别算法。在该算法中,同时为每个视角学习其自适应的权重,从而挖掘不同视角间的潜在关联。为了指导测试集的识别过程,提升识别准确率,为每个动作类别构建了诱导集,并在模型中加入诱导正则化项来指导字典学习和测试集重建的过程。同时,利用一致性正则化项来保证训练子集与诱导子集的稀疏再表示系数尽可能趋于一致。本算法中还提出了两种分类方案,最小误差方案和线性SVM方案来完成最终的动作分类。此外,使用交替最小化方法来对目标函数进行优化。通过在四个公开数据集UCLA、IXMAS、CVS-MV-RGBD-Single和CVS-MV-RGBD-Double上的实验结果表明本文所提算法与现有的多视角人体动作识别算法相比拥有很大的优势。2)提出了一种基于图形正则化项一致性和特性非负矩阵分解的多视角聚类算法。在该算法中,同时考虑了视角间的一致性信息和每个视角的视角特殊信息,提出了一种新型的一致性和特性非负矩阵分解表达。为了保留原始数据空间的内在几何结构,在目标函数中引入了流型正则化项。同时,利用不一致性正则化项使得多个视角的视角特殊系数矩阵趋于一个共同共识,从而保证多个视角拥有相同的潜在聚类结构。此外,使用乘法更新规则来对目标函数进行优化。通过在五个公开数据集BBC、BBCSport、20NGs、Wikipedia和Handwritten上的实验结果表明本文所提算法与现有的多视角聚类算法相比拥有很大优势。