随着海量多视图数据的产生,如何分析和融合这些异构的多视图数据成为当下迫切的需要。多视图聚类旨在利用多视图数据的公共和互补信息来进行聚类。多视图图聚类是多视图聚类最有代表性的其中一类方法。多视图图聚类首先为每一个视图的数据构建相似度图,然后融合多个相似度图为一个共享图,然后在融合图上完成聚类。我们在深入了解大量多视图图聚类的工作,准确度量相似度是该类算法的关键所在。然而已有多视图图聚类方法在构建相似度图时相似度度量准确度不够或者不能很好地适用不同的数据类型,以及在融合过程中没有考虑不同视图的重要性,从而影响聚类的稳定性和精确性。对这些问题,本文研究了如下内容:（1）多视图图聚类算法的研究。首先介绍图论相关的理论知识,拉普拉斯矩阵,高阶相似度以及谱聚类算法。然后,介绍若干代表性的多视图图聚类算法,并分析现有方法的优点与不足。（2）针对多视图图聚类方法使用单一类型的度量,导致相似度度量缺乏准确性和泛化能力,我们提出了一种基于条件概率的相似度度量方法和利用多度量来提高衡量相似度的准确度和泛化能力。我们设计了一个有效且自适应多度量相似度融合模型。该模型自动学习每个视图和每种度量方式的权重,图的融合和聚类相互促进,直接学习聚类的结果。充分的对比实验和消融实验证明了我们模型的有效性和优越性。（3）针对大多数多视图图聚类方法采用一阶相似度,准确度有限,我们提出一种新的高阶相似度。另外,为了最大化保存每一个图的全局信息,我们将每个图的聚类信息融合到对应的高阶相似度矩阵。我们提出一个相似度图的融合模型,自动学习每个相似度图的权重,提取所有视图的公共信息和互补信息。我们使用该模型在癌症多组学数据集进行分型实验,验证所提模型的聚类性能。