在信息时代,数据呈爆炸式增长,其中大多数为无标签数据,因而对数据进行无监督学习的聚类分析技术越来越重要。目前机器学习算法主要是在单一视图表示的数据上运行的,这种方式实际上与人类的从多个角度全面地分析问题的方式相背。与单视图聚类相对的是多视图聚类,它在多个特征来源的数据集上运行聚类算法,能够利用视图之间的互补性,提高原本单视图上的聚类效果。子空间学习与谱聚类是目前最广泛的被应用于多视图聚类领域的算法。然而,现有的基于子空间学习的多视图谱聚类算法普遍基于低秩或稀疏的先验,且大多数多视图聚类算法都忽略了原始数据样本间的关系,使得捕捉到的聚类结构不够准确;另外,传统谱聚类算法中独立的聚类标签求解步骤往往会导致次优解。针对以上问题,为了进一步提升多视图聚类效果,本文分别以聚类结构挖掘和聚类标签学习为侧重点,提出了两个多视图聚类模型,主要工作如下:第一个模型是基于一致性相似度学习的多视图子空间聚类算法（CSL）。该模型基于子空间学习,从高维数据中通过自表达模型和原始数据的相似图结构来学习更利于聚类任务的低维子空间表示,继而在拉普拉斯秩约束的条件下从每个视图新的特征表示中学习具有更理想块对角结构的一致性相似度矩阵,以便在后续谱聚类中进行更准确的图割。在第一个模型的基础上,本文进而提出了基于子空间学习和谱旋转的一体化多视图聚类算法（UMSSC）,将拉普拉斯矩阵融合以更敏锐地捕捉不同视图之间的差异,并利用谱旋转理论替代谱聚类的k-means步骤以便在一个一体化框架内可以直接求得离散的聚类标签,且由于各变量在一个统一过程中优化,变量之间相互反馈指导,得到的聚类结果更接近真实的聚类标签。综上,本文的主要工作成果是:（1）分析多视图聚类问题的关键点,针对基于子空间学习的多视图谱聚类算法目前的缺陷提出相应的改进,以合理的视图融合策略分别以聚类结构挖掘和聚类标签学习为侧重点提出了两个模型CSL和UMSSC;（2）提出了两个模型对应的优化算法,详细地阐述了求解步骤,并对算法进行了收敛性和复杂度分析及实验评估;（3）将模型CSL和UMSSC与12个优秀的方法在6个真实世界基准数据集上进行对比,并分别对两个模型的参数进行了分析,另外针对本文创新点进行了消融实验。实验证明,本文两个模型都能有效提高聚类效果,且适用于多种多视图数据场景。