随着数据采集技术的不断发展,人们获得的数据常常具有多个视角,形成多视图数据,如何有效利用多视图数据进行高效学习是一项具有挑战性的工作。本文研究了多视图数据上的迁移学习、数据降维以及聚类问题,并在现有的多视图学习方法基础上提出改进。首先,研究了多源多视图迁移学习算法并提出改进,给出了基于视图一致性的多视图迁移学习算法。该算法使用高斯混合模型代替高斯过程估算源域和目标域的密度比,更准确地描述了源域和目标域的分布差异。同时,通过在样本选择公式中添加预测差异项,选择更具标签一致性的源域样本,融入了多视图样本的标签一致性信息,因此改进后的算法提升了多视图数据的分类性能。其次,研究了多视图半监督降维方法,该方法通过最小化不同视图的差异性获得一致性低维表示,适用于多视图数据降维。由于该方法要求各视图数据必须完全一一配对,因此不能处理半配对数据降维问题。本文对多视图半监督降维方法做了改进,在计算不同视图差异性时只使用少量配对数据,避免强制配对带来的负作用。同时,为了获得更具可分性的一致性低维表示,对每个视图的转换矩阵进行稀疏化,给出了基于字典学习的稀疏多视图降维方法,该方法提升了多视图数据降维后的低维表示的分类性能。最后,研究了基于马尔科夫链的谱聚类算法,并分析了其存在的问题。针对该算法不能处理多视图聚类的问题,我们通过最大化不同视图的相似性,获得多视图数据的共享隐藏相似度矩阵。然而,经典的欧式距离度量不能正确反映不同视图的相似性,我们使用基于角度的相似性度量。此外,多视图数据中可能包含噪声干扰,如果不加处理会严重影响多视图聚类效果。为此,我们将每个视图的相似度矩阵分解为共享隐藏相似度矩阵和偏移误差矩阵,并对偏移误差矩阵施加稀疏约束。该方法有效利用了多视图数据的互补信息,提升了聚类性能。对于本文中所给出的改进算法,我们做了充分的实验,并说明了改进后的算法的有效性。