随着数据感知技术的发展,获取同一个目标对象描述的方式越来越多,每种方式获取的特征,常称为一个视图。目前多视图数据已广泛存在于生物科学、社交网络、图像识别、汽车工业和机器人工业等领域。为了更高效地利用多视图数据蕴含的丰富互补信息,机器学习领域发展出了相应的多视图学习方式。现有工作已表明,将多个视图的数据按特定的策略融合成单一数据,进而用于后续分类或回归等任务,具有更好的学习效果。本文围绕多视图数据的特征提取开展研究,旨在达到降维和信息融合的目的。重点从典型相关分析(Canonical Correlation Analysis,CCA)入手,通过分析CCA及其变异算法的优缺点,作为基础,开展相关研究。目前大多数多视图降维算法广义上可归类为子空间学习。而子空间学习的基本原理可视为隐变量生成模型。与之对应的是投影模型,因此CCA属于后者。本文除了改进CCA外,也将结合投影模型提出相关特征提取和信息融合的新方法。具体工作如下:1.CCA自1936年提出以来,已广泛地应用于多视图的特征提取和信息融合。当用于多视图分类学习时,CCA常以无监督方式提取特征供后续分类学习所用。正是因其没利用给定的判别信息,所提取的特征通常缺乏显著的判别性。为此,各种利用判别信息的CCA及其变体被相继提出。而相应的目标函数往往非凸,在一定程度上影响了问题求解及后续的分类效果。据我们所知,目前尚无凸判别型CCA模型被提出。本文受几何平均度量学习(GMML)方法启发,提出了一个凸判别型的CCA,称为凸判别相关分析(CDCA)。CDCA将学习两个视图的投影矩阵转化为一个测地线凸的度量学习问题,从而在获得一个全局的闭合解的同时,直接获得判别性融合特征,改善了分类性能。2.多视图学习通常涉及两个重要原则:即一致性和互补性。一致性来源于不同视图的共享信息,而互补性来源于每个视图的独有信息。大多数多视图降维方法仅关注其中一种,得到的低维表示可能存在信息冗余或信息不全等问题。本文提出了一个新的多视图特征提取框架,称为多重结构化稀疏投影(MSSP),能够同时提取共享的和独有的信息。MSSP由两部分组成:一是所有视图投影的组合特征判别项,对此选择线性判别分析(LDA)和度量学习实现。二是对联合投影矩阵的多重结构化稀疏的正则化项,以同时保证一致性和互补性。组合投影矩阵由所有视图的投影矩阵组成,每个视图的投影矩阵列组稀疏,如此建立了多重结构化的稀疏表示,从而自适应的提取共享信息和独有信息。