多视角数据包含多个角度或领域的特征。聚类多视角数据时,单视角聚类算法首先连接所有视角的特征,然后在连接的特征上进行聚类。然而,特征连接可能引发维度灾难并且连接的特征不具备明确的物理意义。因此,单视角聚类算法不适于聚类多视角数据。多视角聚类以单视角聚类为基础,分别处理每个视角的特征。在互补性原则和一致性原则的辅助下,多视角聚类建立不同视角间的联系并进行信息交互,克服了单视角聚类划分多视角数据的问题。本文以谱聚类、非负矩阵分解和半监督非负矩阵分解为基础,针对多视角谱聚类、多视角非负矩阵分解和多视角半监督非负矩阵分解的问题,分别设计相应的解决方案。主要贡献为:(1)多视角谱聚类。首先,针对单视角大规模谱聚类中一次性抽样算法易浪费信息和抽样点对聚类性能影响模糊的问题,提出基于聚类能力和预测能力的增量抽样方法,直接从聚类效果的角度出发,充分利用已有抽样点的信息,明确抽样点对聚类性能的影响。其次,针对多视角相似度矩阵不能体现每个视角的局部特征的问题,提出一种使用多视角近邻信息的相似度矩阵构造方法,融合多个视角的局部特征,提高相似度矩阵的有效性。最后,针对多视角加权策略不能有效利用聚类特点的问题,提出一种基于谱扰动的加权谱聚类方法,分析权重与聚类效果的关系,根据每个视角的特征向量进行加权,提升多视角谱聚类的聚类效果。(2)多视角非负矩阵分解。首先,针对多视角非负矩阵分解不能保存多视角局部特征的问题,提出一个多流形正则化的多视角非负矩阵分解框架,使用多个视角的一致流形保存多视角数据的局部信息,从而进一步指导聚类过程,提升聚类的效果。其次,针对多视角聚类算法不能划分数据实例和簇部分对应的多视角数据的问题,提出一种数据实例和簇部分对应的多视角非负矩阵分解聚类,使用局部几何信息降低多视角交互的负面影响,增大多视角聚类的应用范围并提升多视角聚类的效果。(3)多视角半监督非负矩阵分解。首先,针对半监督单视角非负矩阵分解的形式不统一的问题,提出一种半监督单视角非负矩阵分解的框架,最小化约束的相似度误差,充分使用已有的约束信息来提升聚类效果,并可与多种非负矩阵分解及其扩展方法相结合。其次,针对多视角聚类算法不能划分数据实例不对应的多视角数据的问题,提出在多视角非负矩阵分解中使用视角间的成对约束建立视角之间的联系,进一步地,设计视角间成对约束的选择方案,尽可能使用少量的约束达到较好的聚类效果。