随着互联网技术的快速发展和数字移动设备的迅速普及，每天都有大量的多媒体数据在互联网上出现并传播，网络多媒体数据呈现爆炸式增长。由于图像具有生动直观、信息含量大、表现力强等特点，针对图像数据的内容语义分析方法受到研究者的广泛关注。为了准确的分析理解图像数据，需要有很好的视觉特征来描述图像的内容。然而仅仅利用单一的视觉特征在表示图像时的描述能力有限，不能很好的预测出图像的语义信息。为了对图像产生更加全面而丰富的描述，我们可以对图像提取出多种多样的视觉特征。由于每种视觉特征都可以看作是在某个角度上对图像数据的一种描述，使用多种视觉特征描述图像就构成了多视角数据。通过利用多个视角的信息，让各个视角之间能够相互补充、相互促进，图像的高层语义信息就能够被更好的发掘出来。　　由于多视角数据具有维度高、物理意义和统计特性各不相同等特点，为了在图像分析的任务中有效的使用多视角数据，研究者提出了一系列多视角学习方法。尽管相关的研究工作已经取得了较大进展，但仍然面临着一些挑战。首先，为了有效利用多视角信息，我们需要对多视角数据进行融合。然而不同图像数据的视觉特性各不相同，研究如何根据图像自身的特点来准确的进行多视角信息融合具有重要意义。另外，多视角数据通常维度较高、物理意义和统计特性不同，直接使用原始的多视角特征存在着诸多问题。因此，我们需要对多视角数据学习出适合于后续任务的数据表示，从而更有效的进行图像内容的分析与理解。总之，围绕多视角融合与表示这两个关键问题，本文在多视角图像聚类、多视角图像降维和多视角图像标注三个任务上开展探索和研究。主要研究内容和贡献如下:　　(1)基于分组敏感多视角融合的图像聚类方法研究。为了克服传统图像聚类方法在多视角融合时对整个样本空间采用统一的融合权重从而导致融合结果不准确的问题，本文提出一种基于分组敏感多视角融合的图像聚类方法。本方法首先将图像数据分成若干图像组，使得每个组内的图像具有相似的视觉特性，可以使用同一组融合权重进行多视角融合。然后提出了两种多视角融合权重的学习准则，对每个图像组的融合权重进行学习。最后通过交替迭代的方法进行不断的优化，得到最终的多视角融合结果以及图像聚类结果。相比于传统的全局融合方法，本方法能够更灵活的为不同视觉特性的图像数据估计出融合权重，从而得到更准确的多视角数据聚类结果。　　(2)基于双阶段子空间学习的多视角降维方法研究。针对多视角数据维度高、物理意义不同以及存在噪声等问题，本文提出一种基于双阶段子空间学习的多视角数据降维方法。每个阶段的子空间学习都是通过非负矩阵分解的方法实现的。在第一阶段学习中，我们学习得到可以相互比较的多视角表示。同时，我们对各视角的独立成分和共享成分加入相应的约束条件，从而让不同视角的信息能够相互补充。在第二阶段学习中，我们把多视角结构信息保留在低维表示中，进一步提升所学表示的判别性。为了克服多视角数据噪声的影响，我们使用l2,1-范数作为损失函数，增强了方法的鲁棒性。　　(3)图像多视角表示与标注的联合学习方法研究。针对底层多视角特征与图像的高层语义之间存在“语义鸿沟”的问题，本文提出一种联合学习图像多视角表示与标签预测的方法。为了让所学的图像表示能充分保留多视角信息，我们提出利用softmax激活函数来作为多视角表示学习的损失函数。我们还把图像的语义信息嵌入到所学的子空间中，从而让所学的表示空间更具有判别性。此外，本方法考虑到了多视角表示学习与标签预测这两个任务之间的相关性，把它们的目标函数放到了一个统一的优化框架中。这样两个任务就可以相互促进，从而得到更优的标签预测结果。