尽管在过去的发展历程中,多视图学习领域取得了很大进步,但是由于很难对不同视图之间的复杂关联进行建模,这个问题仍然十分具有挑战性,尤其是在视图有缺失的情况下。为了应对这一挑战,本文提出了一个新颖的模型框架,旨在充分地、灵活地利用具有不同缺失模式的各个视图的数据。本文首先为多视图表示提供完备性和通用性的正式定义,然后从理论上证明了所学习的隐空间表示的通用性。对于完备性,通过模仿数据的信道传输理论,将学习多视图隐空间表示的任务转换为了一个退化过程,从而可以隐式地实现不同视图之间的一致性和互补性之间的最佳权衡。通过引入对抗策略,本文的模型一方面可以用于补全缺失的视图,另一方面又将所有视图中的信息（包括补全的视图）编码为隐空间的表示,从而进一步提高了所习得表示的完备性。此外,模型还引入了非参的分类损失来得到结构化的表示,同时也防止了过拟合,这使该算法在缺失视图的情况下在分类、表示学习和数据补全等多个任务上表现良好。在监督和无监督的任务场景下,具体做了如下研究:（1）基于缺失多视图场景下的有监督分类任务。此项工作提出一个新颖的框架CPM-Nets进行缺失多视图学习,该框架同时考虑了完备性和结构性,以习得一个统一的隐空间表示,该算法具备高度的灵活性,针对缺失的多视图数据具有很强的通用性。从观测数据反向编码而来的隐空间表示具备完备性和通用性,从而提高了预测性能;而聚类风格的分类损失反过来又增强了隐空间表示的可分离性。基于分类任务的理论分析和实验结果验证了所提出的模型的有效性。（2）基于缺失多视图场景下的无监督聚类及补全任务。对于无监督学习,此项工作提出CPM-GAN框架,采用退化编码方式,将来自观测数据的信息灵活地编码为隐空间表示。同时,通过引入对抗策略使得缺失的数据可以被补全,从而又进一步完善了隐空间的表示。基于聚类和补全任务的理论分析和实验结果验证了所提出的模型的有效性。