聚类分析是数据挖掘和机器学习领域中非常基本的技术之一。聚类任务可以服务于很多日常的应用,例如功能特征推荐,用户需求分析等。由于移动智能设备,传感器的迅速普及,每天可以获取到海量的数据。数据可以由多个视图来进行描述。典型的例子包括:身份识别可以通过人的指纹,脸部轮廓以及签名等信息来进行表示。类似这样数据的涌现,使得传统单视图聚类方法逐渐扩展延伸成多视图聚类方法。虽然目前为止已经出现了若干个多视图聚类算法。但是大部分多视图聚类算法只是平均的对待多个视图。此类做法会使得算法由于某些包含噪声的视图与其他视图拥有相同权重而得到不太理想的聚类效果。因此,本文首先提出了一种新的基于熵的视图加权策略,为了验证其有效性与基于l_2,1范数的增强多视图k-均值算法相结合,从而提出了新的加权多视图聚类算法。该算法可以对视图进行动态的加权。自步学习策略是一种模拟人类学习过程而后逐渐引入到机器学习领域的一项技术。本文提出了一个新的自步学习惩罚项,将其分别与传统的多视图k均值与谱聚类方法相结合,提出了新的基于自步学习的多视图k-均值以及基于自步学习的多视图谱聚类算法。其中,第二个算法是首次将自步学习策略与谱聚类方法相结合的一个新算法。本文提出的算法可以在聚类过程中根据视图损失值定义视图的复杂度,先从简单的视图学习,再逐渐加入复杂的视图到聚类任务中。本文将提出的加权多视图聚类算法与若干多视图聚类算法在多个真实的多视图数据上进行了对比实验。实验结果表明本文提出的加权多视图聚类算法能够有效地提高多视图聚类算法的聚类效果。