近年来,从多个数据源得到的多种形态的数据呈现指数级爆炸型增长,如何有效提取隐藏在繁杂数据表象下数据内在性质及规律是机器学习等领域研究的热点。多流形模型中观测数据位于或近似于多个嵌入在高维欧氏空间中的内在低维流形上这一假定符合聚类分析寻找观测数据多个互不相交分组的学习任务。而采用谱分析方法学习数据的流形结构是一种行之有效的方法。因此本文希望能通过学习数据的谱流形结构实现对其的聚类学习。本文主要工作包括如下三个方面:(1)提出了多流形谱嵌入聚类学习算法,算法构建同时记录样本数据点于原始观测空间及映射流形中位置结构信息的相似度矩阵,并采用数据流形映射信息进一步对其规范约束,从而通过增强对数据点真实位置的判断实现对聚类性能的提升。在易混淆数据子集及真实数据集上的实验结果证明了算法的有效性。(2)提出了自适应多视图谱流形聚类学习算法,算法通过对相似度矩阵施以限制使其能自适应学习每一视图权重从而无参的完成对多视图数据信息的融合,并使此矩阵能直接得到样本数据点的簇划分。并且算法通过将对每一视图数据流形结构的判断作为指正信息引入模型,进一步提升了算法模型的学习性能。此外算法在构建得到的数据子集上进行谱分析计算,一定程度上减轻了算法的计算负担。在人工数据集和真实数据集上的实验表明,该算法相较于其他算法有更好的性能。(3)提出了多视图谱网聚类学习算法,算法构建深度网络模型实现对多视图数据集的谱聚类学习。模型提供映射函数为多视图样本数据点提取低维融合嵌入流形特征与判断簇标签。并能够利用多视图数据信息互补这一性质通过构建的数据融合层的回馈修正单视图数据嵌入分支,实现对数据点位置更为精准的判断。同时,算法还具有能够聚类大规模数据集以及处理样本集外拓展等优点。在人工数据集和真实数据集上的大量实验有效证明了算法的优越性能。