现实中的数据往往具有维度高,结构复杂的特性,这给数据的处理带来了一定的困难。但是高维数据的结构并不是无迹可寻的,事实上,高维数据通常位于多个低维子空间的并上。因此,以谱聚类为基础,可以利用子空间的表示来对高维数据进行聚类。此外,计算机视觉中的许多问题都涉及到由多个不同特征表示的数据集,这里,不同的特征代表了关于数据集的不同信息,例如,图像和视频可以用颜色、纹理和边缘等不同种类的特征来描述。因此,多视角子空间聚类应运而生。由于不同的视角通常是从不同的领域采用不同的特征提取器收集的,因此可能包含与其他视角互补的信息。所以,多视角聚类的一个关键问题在于如何较好的利用多个视角的信息。在本文中,主要做了以下两个工作。首先,利用集成学习中投票法的思想,对多视角数据的自表示采用集成学习中常用的投票法来得到一个统一的自表示矩阵,提出一个利用多视角互补信息的₁l-范数正则化表示模型,并将谱聚类和自表示结合到一个统一的框架中,得到₁l-范数正则化多视角子空间聚类模型。其次,传统的基于数据空间距离的相似度是一种局部相似度,而自表示系数是全局相似度,考虑用局部相似度引导全局相似度,提出数据加权稀疏正则化表示模型。将加权稀疏正则化表示模型与₁l-范数正则化多视角子空间聚类模型相结合,得到加权稀疏₁l-范数正则化多视角子空间聚类模型。既利用了视角间的互补信息和标签一致性,同时考虑了数据的局部和全局相似性。在几个聚类分析常用的人脸数据集上进行了大量实验,表明所提出的方法比现有方法的聚类性能要好。