迄今,很多人工智能技术已成功应用于人们日常生活中的各个方面,而分类器作为机器学习中一种典型的研究对象,在人工智能理论研究中有着重要的地位。分类算法有很多,支持向量机（SVM:Support Vector Machine）是经典方法之一。大数据时代,以不同类型描述同一目标的多视图数据遍布于各个应用领域,如从多个角度对同一个人拍摄的照片。以多视角数据为研究对象,近年来,有学者提出了多视图广义特征值近似支持向量机（Mv GSVMs:Multiview Generalized Eigenvalue Proximal Support Vector Machines）,其通过多视角学习与分类任务有机融合来提高模型的分类精度。尽管如此,该算法仍然存在很多问题,如无法保证模型的鲁棒性、缺乏视图间潜在关系的挖掘能力。为了克服这些问题,基于Mv GSVMs,本文提出两种有效的多视图支持向量机方法,并在UCI、人脸图像、林火等数据库上考察这些算法的有效性,本文创新性成果主要包括:（1）提出一种改进的多视图广义特征值近似支持向量机（IMv GEPSVM:Improved multiview GEPSVM）算法。与已有的多视图SVM方法不同,IMv GEPSVM向模型中引入相异视图差异最大化约束,进而提高模型的泛化能力。为了提高模型的鲁棒性,利用L1范数度量模型中点到平面的距离。为了解决目标函数中L1范数距离度量和不同视角差异性正则项给求解带来的困难,提出了一种有效的迭代解算法。从理论与实验层面,证明了该算法的收敛性。在UCI、人脸图像以及林火数据集上验证了IMv GEPSVM的可行性。（2）为了挖掘视角间潜在关系,以多视图学习中视图一致性原则为基础,提出了——挖掘视角之间潜在关系的多视图广义特征值近似支持向量机（MRMv GSVM:Multi-view Generalized Support Vector Machine via Mining the Inherent Relationship between Views）。并不是利用样本点到超平面的距离来描述同类不同视角之间的一致性,本文通过定义一个关系矩阵来建立视角之间的联系。同时,建立多视图共正则项,并采用L2,1范数约束该关系矩阵,以保证模型能够有效的从数据中选择最具相关性的样本。最后在UCI、人脸数据集以及烟火图像数据集上证明了该算法的有效性。