随着数据采集以及互联网和传感器技术的迅猛发展,人们获取的数据从过去的单视图数据逐渐转变为多视图数据。不同的视图之间可以为彼此提供有用的互补信息。多视图学习已成为机器学习,人工智能等领域的研究热点。多视图聚类作为多视图学习的一个重要的研究方向,在近几十年里也迅速发展,取得了很大的进展。其中,自适应邻域多视图学习算法通过使用迭代的方法自适应地学习每个视图的权值,取得了不错的效果。但是与大多数的现存的基于图的多视图聚类方法一样,该方法仍然存在以下问题:它在计算不同视图时,简单地将不同视图进行相加而没有考虑到不同视图之间的高阶信息与相关信息。而且由于该方法要求所有视图共享同一个图,这会导致过学习的出现。对此问题,本文对基于张量核范数的自适应邻域学习多视图聚类算法进行深入研究,具体内容如下:（1）针对已有自适应邻域学习聚类方法假定所有视图具有相同的邻域,导致过学习,以及忽略不同视图之间的高阶信息和互补信息的问题,放松这个约束用不同视图的图构造一个三阶张量,然后通过最小化加权张量核范数进行自适应邻域学习,这样可以挖掘出不同视图之间的高阶信息和互补信息,在此基础上给出两种多视图聚类算法,在ORL,Cal101,HW,MSRC,Scene15五个多视图数据集上进行了实验,实验结果证明了所提出的方法的有效性。（2）为了更好地体现不同视图之间的差异性,在自适应邻域学习的多视图聚类中为每一个图的拉普拉斯矩阵加入了一个可以自适应学习的加权参数,为了能够更灵活地刻画目标秩,引入了张量Schatten-p范数来进一步提升多视图聚类的性能。在上述五个多视图数据集上进行了实验。实验结果证明了本文提出的方法提升了多视图聚类的性能。