在现实世界中,真实数据往往来自多个异构源或者通过几个不同的特征集来描述,这便是多视角数据。由于多视角数据往往可以更为准确地描述目标对象,多视角学习已成为机器学习领域的重要分支之一。与此同时,多视角数据往往会由于一些不可控因素丢失一部分样本,从而造成数据的不完整性。为了更好地处理这些不完整的多视角数据,不完全多视角聚类成为独立于完全多视角聚类的一大分支。挖掘（不）完全多视角数据潜在的一致性信息是提升（不）完全多视角聚类性能的关键。为了更好地从完全多视角数据中学习一致性,本文借鉴嵌入迁移的思想,提出基于双嵌入迁移的多视角谱聚类（DETMSC）。在DETMSC的基础上,提出基于正交基的多视角迁移谱聚类算法（OMTSC）,OMTSC可利用正交基聚类发现潜在的聚类中心。同时,提出基于双嵌入迁移的不完全多视角谱聚类（DETIMSC）,实现嵌入迁移和嵌入学习,以此有效挖掘不完全多视角数据的一致性。1)与现有的许多算法相比,DETMSC可以在一个统一的框架中同时学习一致性嵌入和特征嵌入。这是由于通过二部图协同聚类实现了多视角间一致性嵌入和特征嵌入之间的知识迁移。通过这种方式,DETMSC可以同时考虑多个视角的一致性和每个视角特征嵌入的多样性。利用特征嵌入的多样性,可以实现最优一致性嵌入,从而提高多视角聚类的性能。更好的一致性嵌入可以反过来帮助学习特征嵌入的多样性。由于对特征嵌入施加了稀疏约束,DETMSC方法对每个视角中的噪声也具有鲁棒性。在四个真实数据集上的实验结果表明,DETMSC模型的性能优于其他先进的完全多视角聚类算法。2)OMTSC沿用DETMSC的思想,并将每个视角的聚类分配矩阵分解为共享正交基矩阵和特定视角聚类编码矩阵。与DETMSC不同的是,一方面,正交基矩阵可捕获并储存多视角一致性信息,形成潜在聚类中心;另一方面,经过加权融合的多视角聚类编码矩阵可更好地平衡不同视角的质量差异。在三个真实数据集上的实验结果表明,OMTSC模型优于其他先进的完全多视角聚类算法。3)DETIMSC解决了现有不完全多视角聚类算法的不足:（1）仅适用于双视角不完全数据,更不适用于任意缺失多视角的不完整情况;（2）无论从理论上还是从实验上,基于缺失信息恢复的算法都无法保证恢复的视角的合理性;（3）无法很好地消除不完全多视角数据中的噪声干扰。DETIMSC继承了DETMSC关于嵌入迁移的思想,同时进行有效的嵌入表示学习。具体来说,嵌入表示学习旨在探索每个单一视角在低维空间中的局部信息和所有视角共享的语义一致性信息,通过协同正则化约束,最小化个体样本嵌入与一致性嵌入之间的差异,以获得更为准确的多视角一致性嵌入表示。在五个真实数据集上的实验结果表明,DETIMSC模型的性能优于其他先进的不完全多视角聚类算法。