近年来,数据采集技术日益走向精细化和多样化,人类获取到越来越多维度较高的单视角及多视角数据。这些高维数据在提供对事物或现象更完整描述的同时,也容易引起“维数灾难”等问题,使传统的数据分析处理方法难以揭示数据内蕴的知识。因此,如何设计有效的高维数据分析处理方法已成为机器学习、模式识别、数据挖掘和计算机视觉等领域重要的研究课题。本文基于图学习,对高维数据的特征提取及聚类方法进行了研究,主要工作如下:(1)基于图学习的单视角特征提取针对基于图矩阵的单视角特征提取方法中,采用分离的步骤先构造图矩阵后获取低维表示,低维表示对图矩阵的构造缺乏合理反馈的问题,提出了可以同时进行特征提取和图矩阵构造的无监督单视角特征提取方法。通过设计低维表示和图矩阵的交互项以及对图矩阵添加约束,所提算法同时学习一个降维矩阵和一个有聚类结构的图矩阵。(2)基于图学习的多视角特征提取针对传统的的多视角特征提取方法学习视角权重时需要额外的参数以及构造的统一图矩阵不含结构信息的问题,提出了可以同时学习统一图矩阵和降维矩阵的无监督多视角特征提取方法。通过设计无需增加额外参数的视角权重学习机制,所提算法可以同时进行特征提取、图矩阵构造、数据聚类以及视角权重学习。(3)基于图学习的多视角子空间聚类针对现有基于自表达的多视角子空间聚类方法在学习各视角的自表达矩阵时忽略视角存在不同重要性的问题,提出了学习统一自表达矩阵的鲁棒多视角子空间聚类算法,所提方法聚焦于区分各个视角和每个视角的各个特征的在学习统一自表达矩阵时的不同重要性。求解算法中包含了视角权重学习机制和特征权重学习机制,使统一自表达矩阵所构造的图矩阵具有较强的鲁棒性。