随着大数据时代变革的逐步推进,也因为在需要对对象进行多种不同视角特征的描述上更具有优越性,多视角聚类分析法获得了更多的研究重视。相比于简单连接所有视角特征的单视角聚类,能够分别处理每个视角特征的多视角聚类可以联合优化每个视角,从而能尽可能地利用每个视角特征提高最终的聚类效能。多个视角的数据特征内包含着丰富且互补的信息,联合优化多个视角的数据特征能够更好地去探究数据的内在结构关系。如何能够更好地结合多视角的多样性去探索多视角特征之间的互补信息,逐步挖掘多视角数据的一致性和不一致性,这将是优化提高多视角数据的聚类效果的关键所在,也是本文研究的重点难点。为此,本文提出了一种新的面向图的一致性多视角稀疏聚类框架,基于多视角稀疏表示的聚类方法去处理多视角图的一致性。该方法先将多视角数据分解为一致性与不一致性部分;然后采用相似性度量方法与KNN（K-nearest neighbor）算法对多视角数据进行分解与融合;再运用稀疏表示学习多视角图的一致性相似矩阵;进而通过谱聚类获取聚类结果。相比稀疏表示,低秩表示能够更好地描述数据的整体结构,同时对噪声数据和野点具有较好的鲁棒性。基于此,本文提出了一种新的面向图的一致性多视角低秩聚类框架,联合多视角图的一致性、不一致性和低秩表示学习多视角图的一致性相似矩阵,再通过谱聚类获取聚类结果。针对提出的两个多视角聚类框架分别设计并实现了一种交替迭代优化算法求解目标函数。为了检验本文提出的两个面向图的一致性多视角聚类方法的有效性,我们将本文所提出的两个方法在六个真实常用的多视角数据集上,与相关领域的六个对比方法进行了大量实验。通过实验的结果证明出提出的两个方法的有效性。所选取的这些真实常用的多视角数据集的视角数从2个一直到7个、类别数从5个到31个、样本数从169个到2000个,再结合对两个模型的参数敏感性分析,证明了方法的鲁棒性。通过收敛性分析实验,证明了本文所提出的两个方法可以在少数次迭代内快速达到收敛。综上,本文进行理论分析和实验证明了本文提出的两种方法的优势和有效性。