随着用不同特征集或不同视图进行描述的数据大量涌现,多视图子空间聚类在人工智能领域引起广泛的关注。近几年,大量利用多视图数据进行子空间聚类的方法被提出。本文针对这些方法仍存在的不足,利用块对角表示、柯西损失函数等进行改进,提出两种以块对角表示为基础的多视图子空间聚类方法。现总结如下:（1）现有的大部分多视图子空间聚类方法使用稀疏表示或低秩表示对多视图信息进行挖掘,从这些方法可以观察到,相同之处在于自表示矩阵拥有块对角结构,这是它们可以正确聚类的原因。但这是间接的方式,在子空间独立的情况下,现有方法的相似性矩阵具有块对角特性。但在现实情况中,由于数据的噪声或者离群点,需要具备的假设不存在,使得块对角特性不满足,降低了聚类精度。对此我们提出基于块对角表示的多视图子空间聚类方法。与现有的方法相比,块对角表示的使用不仅可以直接地追求块对角结构,而且可以控制块的个数,这对多视图子空间聚类方法是非常关键的。在所提方法中,用自表示的方法学习各视图的自表示矩阵,并提取可以描述多视图数据潜在子空间关系的一致性矩阵,最后对一致性矩阵施加块对角表示约束。从聚类结果可以得知所提方法确实是有效的。（2）现有的多视图子空间聚类方法为了挖掘多视图数据中共享的潜在结构,通常会对各个视图的系数矩阵施加低秩或者稀疏约束,同时对多视图数据的重构误差采用Frobenius范数或者?₁范数进行约束。但是,现实中利用稀疏或低秩表示得到块对角结构的假设很难满足,而且Frobenius范数和?₁范数分别适合去约束高斯噪声和稀疏噪声,它们对于大数值噪声仍然是敏感的。当数据被大数值噪声干扰时,现有方法的聚类作用会大幅度下降。针对这些问题,提出基于块对角表示和柯西损失的鲁棒多视图子空间聚类方法。该方法通过为每个视图的自表示矩阵分配合适且不同的权重值来学习一致性矩阵,这种设置可以充分利用多视图信息并避免不可靠视图的影响。同时块对角表示和柯西损失函数的使用使得该方法更加直接和鲁棒。进一步在聚类实验中证明该方法确实能提高聚类效果。