多视图学习包含两个主要假设,即多视图数据中的一致性和互补性,一致性假设指多视图数据中各视图数据间存在被共享的一致性信息,互补性假设指多视图数据中各视图数据都包含其他视图数据中未包含的信息。但是,当下的多视图学习算法主要是通过矩阵因式分解等经典的机器学习算法对一致性和互补性中的一种假设展开研究。因此,当前的多视图算法,在使用深度学习同时学习多视图数据的一致性和互补性的方向上,仍是一个开放性的问题。为使深度神经网络同时利用多视图数据的一致性和互补性,本文首先提出深度神经网络结构的基准模型,该模型通过自编码器组成的编码模块学习多视图数据的一致性信息,通过最大值池化、平均值池化和加权求和学习多视图数据的互补信息,产生包含多视图数据一致性和互补性的特征向量,最后通过全连接层完成预测。基准模型仅能探索多视图数据的一种互补形式,为探索多种互补形式,本文基于基准模型又提出多视图自注意力机制神经网络,该模型在使用自注意力机制学习多个包含多视图数据互补信息的特征向量后,级联各特征向量,产生包含多视图数据一致性和多种互补性的增广向量。基准模型和多视图自注意力机制神经网络都是通过向量运算挖掘多数据视图的互补性信息,而不是通过矩阵运算。为使用矩阵运算挖掘多视图数据的互补信息,本文结合基准模型和胶囊网络提出多视图胶囊网络,该模型通过胶囊层间的动态路由过程挖掘多视图数据的互补性信息,并基于预测矩阵产生预测结果。为对比各模型的性能,所有模型都在8个相同的多视图数据集上进行实验比较分析。实验结果表明,各模型都能较好的完成多视图分类任务,且多视图胶囊网络在各实验数据上都取得最好的预测结果。