近年来多视图学习引起了众多研究者的关注。在多视图学习中,数据以多个视图(或特征集)的形式来描述。使用多视图数据的一个优点是可以利用不同视图之间的互补信息和相关信息。大多数现有的多视图学习方法是从不同视图上独立、交替地训练分类器;这些方法利用了视图之间的互补信息,但是并没有利用相关信息。在机器学习领域,典型相关分析常用于分析不同视图间的相关,提取关联不同视图的相关特征。不过,原始的典型相关分析是一种无监督的学习模型,不能利用数据的标号信息,因此基于典型相关分析建立的分类器在大多数情况下并不具备较好的推广能力。在本文中,我们关注于对典型相关分析模型作进一步拓展,提出具备更好的推广能力的分类模型。首先,我们将交叉相关思想引入到典型相关分析中,提出了一个新的特征提取算法,称为随机相关分析。在随机相关分析中,我们不仅分析了同一样本不同视图之间的相关关系,而且还分析了同一类别的样本不同视图之间的相关关系,这有助于保留类间的判别信息。由于同时具备了典型相关分析与交叉相关的优点,随机相关分析不仅可以提取相关特征,还可以在降维后保留尽可能多的判别信息,从而可以建立推广能力更好的分类模型。在多特征数据集及三个人真实人脸数据库上的实验说明了随机相关分析的有效性。其次,本文将集成技术应用于随机相关分析,提出了一个新的集成学习算法,称为随机相关集成,进一步提高了随机相关分析的推广能力。在随机相关集成中,我们利用随机相关分析提取的相关特征来训练个体分类器,充分利用了不同视图之间的相关信息。另外由于随机相关分析的本身的特点,随机相关集成所构造的个体分类器既具备一定的分类精度,相互之间又保持了一定的差异性;因此随机相关分析是一种有效的集成学习算法。实验结果充分说明了这一点。