随着时代的进步和科技的发展,生活中需要处理的数据的数量、种类和表现形式都在急剧增长,如何从海量数据中提取有用的知识变得更加困难。在如此严峻的形式下,提高数据挖掘的能力变得刻不容缓。聚类方法一直是非常重要的数据挖掘方法,但传统的聚类算法大多是单视角聚类算法,处理单视角数据,单视角数据是大量的同种类的表现形式相同的数据,这与现实需求不相符。虽然单视角聚类算法可以分别对各个视角的数据分别进行聚类,最后通过集成的方法将各个聚类结果进行整合,但这种方法没有考虑视角之间的影响,结果会与真实结果有较大差别。因此传统的单视角聚类不适应于多视角数据。多视角数据时指同一个数据从不同的角度或领域出发会得到不同测量结果,而各个角度或领域的测量结果又可以单独用聚类算法进行分析。面对原有处理单视角的方法不适用于多视角数据处理的情况,在单视角聚类方法基础上研究多视角聚类方法,多视角聚类方法分别处理各个视角下的测量结果,在互补一致的原则下,建立视角间的联系和交互,成功解决单视角聚类的缺陷。但多视角聚类方法依然存在着一些问题需要解决。本文主要研究多视角聚类存在的一些问题,在传统多视角FCM聚类算法和传统多视角PCM聚类算法的基础上,提出基于熵和距离加权的多视角FCM聚类算法(EDWMVFCM)和加权多视角PCM聚类算法((MVW-PCM)。首先,针对多视角模糊C均值聚类算法中模糊指数物理意义不明确的问题,提出基于Harvard熵的异视角空间划分准则,因熵描述随机变量的不确定性的性质与模糊隶属度描述样本点归属的不确定性的性质相近,将熵理论引入到模糊聚类算法中,使目标函数取得最优解时,该视角下的Harvard熵取得最小值。其次,针对多视角模糊C均值聚类算法中默认属性相同的问题,提出基于粗糙集的距离加权策略,预处理中利用粗糙集算法为每一个属性设置一个权值,计算属性间距离时要考虑属性权值。最后,针对多视角模糊C均值聚类算法中默认视角相同的问题,提出具备多视角特征的自适应加权项,引入视角权重系数,并用信息熵表示,根据极大熵原理,使目标函数在取最优解时,凸显最具聚类效果的视角,降低聚类特性较差的视角对算法的干扰,从而提升多视角模糊C均值聚类的聚类效果。针对多视角PCM聚类算法中无差别默认视角权重一致的问题,提出视角间加权方法,对所有视角分配合理的权重且所有视角权重之和为1。针对多视角PCM聚类算法中各个属性权重默认相同的问题,提出视角内属性加权方法,赋予聚类质量较好的属性大的权重,聚类质量较差的属性小的权重。通过UCI数据库中数据集实验表明,该算法处理多视角数据时具有较好的聚类性能。