由于在划分无标签且含有缺失实例的多视图数据上具备优势,不完整多视图聚类吸引了越来越多的研究关注。虽然已取得很大进展,大多现有不完整多视图聚类方法仍存在至少一个以下缺陷:（1）无法同时开发数据样本之间跨视图的共同关系及原始数据特征表示的互补多视图信息;（2）忽略视图之间高阶的相互关系;（3）只能处理诸如只有两个视图等特殊视图不完整情况。针对这些问题,本文主要开展了以下两方面研究:（1）为了同时挖掘数据样本之间跨视图的共同关系、开发原始数据特征表示的互补多视图信息以及处理任意视图缺失的情况或含有负值的数据,本文提出了一种基于一致学习的不完整多视图聚类方法。该方法结合矩阵分解和索引矩阵来获得低维一致表示,以此从各个视图可用实例的原始特征表示中开发互补信息。此外,通过整合索引矩阵和中心化项到自表示学习中来获得一致相似度图,从而挖掘数据样本之间潜在的跨视图关系。该方法的关键是利用图拉普拉斯正则化把一致表示和相似度图耦合起来,使得一致表示的紧凑性和相似度图的准确性相互提高。在多个不完整多视图数据集上与若干现有方法进行对比实验,实验结果验证了该方法在不完整多视图聚类任务上的优越性。（2）大多现有不完整多视图聚类方法不能同时挖掘数据样本之间视图特定和跨视图的关系并捕获视图之间高阶的相互关系。针对该问题,本文提出了一种基于低秩张量的不完整多视图子空间聚类方法。该方法在子空间表示学习中引入低秩张量约束和中心化项,这不仅可以挖掘数据样本之间视图特定和跨视图的关系,还可以捕获视图之间高阶的相互关系并降低各个视图的冗余度。此外,通过逼近视图特定和跨视图子空间表示的内积,该方法设计了一个新颖模块来获得辨别力强的相似度图。该方法开发了一个基于增广拉格朗日交替方向最小化的优化算法来求解所提出的目标函数。在若干不完整多视图数据集上的实验结果验证了该方法的有效性和优势。综上所述,本文针对现有不完整多视图聚类方法存在的问题,提出了两种性能优异且应用灵活的方法,同时给出了相应模型的优化求解方法,并分析了所提出方法的时间复杂度、参数敏感度、收敛性等,而且在多个数据集上的实验验证了所提出方法的有效性和优势。