随着信息采集技术的快速发展,我们能够在不同角度或多传感器下捕捉物体信息。于是,一个物体通常具有多种表现形式,而所有表示形式构成的数据被称为描述物体的多视角数据。多视角数据提供了描述物体的丰富信息,同时也引入了跨视角分类问题。跨视角分类即查询图像集和测试图像集数据来源于不同视角的分类问题。目前该问题在理论研究上已取得一定进展,但同时还面临着许多难题和挑战。由于数据存在的视角差异性,当前跨视角分类算法难以处理广泛存在的非线性数据。基于此,本文提出两个跨视角分类算法,有效处理样本的非线性性,从而改善跨视角分类性能。针对数据视角差异性和非线性性难以同时处理的问题,本文提出了一种基于多视角子空间学习的多视角混合嵌入算法(Multi-view Hybrid Embedding,MvHE)。该算法利用分治法思想将跨视角分类问题划分为三个子问题,并针对每个子问题设计了相应模型,从而达到分离处理视角差异性和非线性性的目的。与多种经典跨视角分类算法相比,多视角混合嵌入算法的精度在四个标准跨视角分类数据库上都取得明显改进。此外,在噪声数据上的实验,证实了本文所提的多视角混合嵌入算法对离群点具有良好的鲁棒性。针对子空间多视角数据难以保持原始数据局部几何结构的问题,本文提出了一种基于多视角子空间学习的多视角公共成分判别分析算法(Multi-view Common Component Discriminant Analysis,MvCCDA)。该算法将标签判别信息和数据局部几何信息以判别规则项和局部一致性规则项的形式整合到公共成分学习过程,使公共成分得以保持本源物体的局部判别几何结构。本文提出的多视角公共成分判别分析在四个标准数据库上取得了良好的性能。与多种经典跨视角分类算法的对比实验,证实了本文所提算法的有效性。