在机器学习算法中分类作为数据分析的手段已被广泛的应用在工商业以及科学研究中。由于数据多元化的结构特征使得很多数据呈现了多视角的特性。多视角数据相比于单视角数据而言通常扮演着更为重要的角色。主要原因在于多视角数据可将数据信息描述得更为全面,视角间遵循着一致性和互补性原则,在数据挖掘的过程中可以训练出更为适宜的模型。在生物信息识别领域中,多视角数据分析已取得重大成果,如人脸识别等。随着对多视角学习的深入研究,研究者发现了一些问题。首先,高维度复杂化的数据在学习模型过程中会由于大量的噪音而使得算法的时间复杂度过高。其次,当所收集到的数据内部分布是不平衡的状态时,该类型的多视角数据必将会导致分类器偏向于类别数目较多的数据,从而使得分类性能将会下降。最后,多视角数据在分类的过程中会产生误分类的代价。针对以上问题,本文通过在多视角数据分析中引入代价敏感学习来解决不平衡数据在分类中的误分类问题。由于在收集数据的过程中存在难度大、高额的成本代价以及设备故障等因素,数据缺失的问题会频繁地出现。这不仅会增加数据分析的难度,还会影响模型的构建以及数据分析的结果。当前处理缺失数据集分类的方法主要包括属性独立性假设和随机缺失。另外,缺失填充方法也可作为处理缺失数据的一种有效处理的手段。由于前者在处理缺失数据时,依旧会面临着时间复杂度很高,以及算法效率不理想等问题。因此,本文使用缺失填充的方法来处理缺失问题,来进一步减轻缺失数据对于模型训练的影响。其核心内容及原创点如下:1.针对多视角数据在分类过程中类间不平衡性以及噪音的问题,本文提出了一种基于代价敏感的多视角数据分类的处理方式,该方式是针对完整数据集而言的,通过使用了L21-范数并有效的结合了数据在样本水平、类水平、视角水平的权重,来降低这三个方面的噪音影响,并在实验中计算总的误分类代价来验证提出的方法优于其他的对比算法。2.当多视角数据中存在缺失数据时,本文在样本约束和代价敏感学习的基础上,提出了缺失填充的数据分类方法。该方法通过使用缺失值填充的方法来促使缺失数据变为完整的数据,在对比实验中采用了单一填充和多重填充的方法,最终实现了数据分类分析的过程。另外,同时采用了权重分析策略,在理论中也消除了多视角数据中不同层面的噪音。经实验验证,本文所提出的分类方法具有更好的鲁棒性和分类性能。综上所述,本文提出的方法是基于代价敏感基础上的多视角数据分类研究,有效改善了类间不平衡数据在分类中出现的误分类问题,以及通过使用缺失值填充的方式来补充缺失属性,使得提出的算法在不同的评价指标上获得更好的分类性能。在未来的工作中,本人将考虑结合使用深度学习方法进行分类分析,来进一步地优化和提升提出的分类算法的性能。