多视图子空间聚类在处理高维多视图数据的聚类问题时,它假设每一个视图的数据都是完整的。然而,现实生活中有些数据在某些视图上会存在缺失,由此产生了缺失多视图子空间聚类问题。由于深度学习中的无监督网络结构具有强大的表达能力,可以提取抽象的高级特征表示,因此,论文主要将深度学习与子空间技术结合,研究缺失多视图子空间聚类算法。针对现有的缺失多视图子空间聚类方法大多只是学习一个共有的聚类结构,没有充分利用已有的数据信息推断缺失的数据。基于星型生成对抗网络（Star GAN）和子空间学习,本文提出了一种缺失多视图子空间聚类算法SSPMVC。SSPMVC充分利用已有的数据信息,提出基于Star GAN的生成模型。它仅需要一个生成器就可以生成所有视图缺失的数据,同时捕获视图数据的多样性和一致性全局结构。然后基于多视图数据的多样性,提出一种新的多视图子空间聚类算法,将补全的多视图数据在该算法上进行聚类。SSPMVC将生成模型和聚类模型联合训练,交替优化生成模型和聚类模型。在四个真实的数据上进行实验,实验结果表明SSPMVC算法具有出色的聚类表现。现有的缺失多视图子空间聚类方法大多采用两阶段策略,并且在进行多视图学习时仅考虑多视图数据的一致性或多样性关系。为此,论文提出一种基于深度网络的端到端的缺失多视图子空间聚类方法DFLSL＿PMVC。DFLSL＿PMVC构建两个子网络:多样性网络和一致性网络。DFLSL＿PMVC学习多视图数据的多样性与一致性关系,用端到端的方式实现缺失多视图数据的特征学习,相似矩阵学习,再到聚类过程的深度统一框架。DFLSL＿PMVC实现由数据的多方面表示到聚类结果一致性的对齐,更好地挖掘了视图数据的潜在子空间结构。论文还给出了针对该复杂网络结构的训练策略。在四个真实的数据上进行实验,实验结果表明,与先进的缺失多视图聚类算法对比,DFLSL＿PMVC算法依然具有不错的聚类表现。