聚类分析是数据挖掘和机器学习领域中非常重要的技术。在数据挖掘的许多实际应用中,同一事物的数据可以从不同来源收集,或者使用不同的特征提取方法获得,这样的数据称为多视图数据。传统的单视图聚类方法无法有效处理多视图数据,因此多视图聚类成为许多研究者的关注重点。为了挖掘多视图数据的内在结构,寻求多视图数据的公共表示,实现提高多视图数据聚类效果的目的,本文提出两种基于子空间学习的多视图聚类算法。本文的主要工作如下:首先,本文阐述了多视图聚类的意义以及几种常见的多视图聚类的基本框架,介绍了代表性研究成果并分析了现有方法的优点与不足之处。接着,本文总结了图拉普拉斯矩阵在流形学习方面的用途,分析了传统的单视图子空间聚类的工作原理。然后,本文提出基于流形正则化和秩约束的多视图聚类方法(MRMSC)。MRMSC通过结合子空间学习和基于图拉普拉斯矩阵的流形正则化,将传统的单视图子空间聚类方法推广到多视图数据的场景。通过给公共子空间的拉普拉斯矩阵加以秩约束,以期寻找更加良好的聚类结构。进一步,为了弥补线性模型泛化能力的不足,通过使用核技巧,提出核化的基于流形正则化和秩约束的多视图聚类方法(KMRMSC)。针对上述提出的两种方法,本文设计了相应的优化算法进行求解。最后,在合成数据和真实数据集上,与其它方法进行比较,充分证明了本文新模型良好的聚类效果。综上所述,本文的主要工作成果是:1)本文分析了多视图数据的特点,利用子空间学习、流形正则化和秩约束拉普拉斯矩阵的优点,设计了MRMSC模型来对多视图数据聚类,该方法既能保留各个视图的局部结构,又能获得具有良好的聚类结构的公共表示;2)基于核方法对非线性数据良好的泛化能力,本文使用核技巧设计了KMRMSC模型;3)本文针对提出的两种模型设计了求解算法,分析了其复杂度,通过模拟实验和真实实验证明了提出的两种方法的有效性,并详细分析了两种方法参数敏感性和收敛性。