多视图聚类在聚类领域是一个有趣且备受关注的方向。由于数据获取方式的多样性和深度学习的发展,数据特征的表现形式也随之变得更加复杂和多样化。面对复杂的多视图数据,相关的研究人员通过不同的方法来实现对于多视图数据的簇划分。尽管多视图聚类算法层出不穷,但其面临的主要问题都可以概括为以下两个:1、如何探寻多视图数据的结构,使其能进行合适的簇划分;2、如何获得一个适合的可用于数据聚类的矩阵表示。由于子空间学习能在多视图上表现出良好的性能,其学习的子空间不仅能单独用于多视图聚类,而且还可以作为上游任务的结果用于下游聚类的实现。与此同时,子空间学习还能用于探索数据结构,进行多个视图的信息融合进而得到更优的聚类结果。但是无论是现有的多视图子空间算法还是其它类型的相关算法,都忽略了多视图的另外一种简单而又直接的融合视图信息,而考虑到这部分信息的算法又忽略了多个视图之间的信息互补性,这将直接导致数据信息的部分丢失。因此本文从不同的视图融合方向来探讨基于子空间融合信息聚类的可能性和有效性。本文通过对多视图信息的不同融合方式来获取用于聚类的共识矩阵,主要内容如下。（1）提出了一种多视图联合以及多视图学习下的多视图聚类算法。具体来说,需要将多视图数据联合起来成为整体数据,并通过范数约束从中学习到潜在的表示矩阵。同时为了利用到多个视图的共识性和互补性,在学习到各个视图的表示矩阵后通过正则化公式将其与联合数据的表示矩阵联系起来,使学习到的表示矩阵不仅包含整体数据信息,还能被所有视图承认。最后再进行实验证明了算法的优越性。（2）提出了一种基于特征直连与结构化约束的多视图聚类算法。该算法将原本的多个视图与特征直连视图的子空间信息进行整合,用以获得更优的子空间表示。同时通过误差重构以及结构化约束子空间得到一个更加合适的共识表示。与此同时,还考虑了多视图与特征直连视图的权重关系。最后通过实验进一步验证了视图融合信息在聚类上的有效性。