近年来,随着社会和科技的发展,多模态数据正在爆炸式迅速增长,例如社交媒体数据,通常在机器学习领域的研究任务中,有时候需要多视图学习,即从原始数据集派生成多个视图进行统计分析,有时候需要进行度量学习,因为学习一个好的距离度量函数在信息检索,聚类,分类中是极其关键的,但是现有的研究成果很少有将这两个领域结合起来的,即多视图度量学习。考虑到多模态数据的特殊结构,如果从单一视图考虑,可能没有办法充分挖掘数据的价值,而且在度量学习过程中,使用传统的欧式距离或者马氏距离是不合适的,因为属性变量之间可能会存在相应的相关系数约束,这样看来多视图度量学习是一个很好的解决方案。本文基于双翼簧风琴(Dual Wing Harmonium,DWH)模型对多模态数据进行多视图度量学习方法研究,将多视图学习和度量学习结合起来,主要工作包含以下两个方面:1)提出了一种基于DWH模型的多视图度量学习算法MVDML,该算法通过从多模态数据中提取不同的信息,试图将多个视图嵌入在一个单一的低维隐变量空间,通过最小化相似数据对之间的距离并且最大化非相似数据对之间的距离,在接下来的监督学习的过程中学习最合适的距离度量,针对数据模态超过两个的情形,本文将DWH模型扩展为三翼簧风琴(Triple Wing Harmonium,TWH)模型,并且对成对约束条件的生成进行了优化,使用Dask和Numba进行数据预处理来实现并行加速的目的,实验结果表明该算法是有效并且可扩展的,通过对代码级别的并行加速可以大幅减少算法的运行时间。2)通过特征工程,提取多模态数据中的关键信息,将原始数据转化为特征向量作为算法模型的输入,希望提高模型的准确率,得到更好的结果。本文主要针对IMDb数据集从用户数据、电影数据、评论数据三个模态提取信息,为了得到模型参数,本文在算法里通过在低维隐变量空间模型里使用联合概率密度和损失函数,在解释数据和提供一个有效的距离度量之间找到平衡同时避免过拟合,并和主流的模型和算法进行对比,实验结果表明该算法模型在分类和检索效率上是最优的,计算时间上是有效的。