随着数据存储能力的不断发展以及数据采集技术的日益进步,现实生活中生成并收集了大量的数据。通常来说,同一个数据对象可以存在不同的表现形式,这种类型的数据称为多视图数据。多视图数据中每个视图从不同的方面描述同一对象,因此包含了对象的不同特征信息。对于多视图数据,常用的单视图学习方法通常直接将所有视图串联成单一视图处理,然而当每个视图特征维度较大时容易产生过拟合,同时这种方式忽略了多视图数据的内在特性。如何有效的融合多个视图的特征信息,以弥补单个视图信息的局限性一直是重要的研究热点,这类方法被称为多视图学习。近年来,大量的多视图学习方法被相继提出。然而,已有的研究工作主要关注于（1）捕获不同视图的一致性和互补性信息（2）通过利用视图对间的相似性信息来捕获视图间的潜在关系。此外,对于后者,我们发现已有的计算视图相似度的方法并不能真实捕获视图间的相似性。为了解决以上问题,本文提出了一种基于距离相关系数的视图相似性计算策略以有效的捕获视图间真实的相似性。此外,本文针对多视图分类问题提出了一种新的多视图学习方法——基于相似度保存的有监督多视图潜在空间学习（MELTS）。其旨在通过保存视图对间的相似性信息以及样本对间的标签一致性信息以学习更有效的潜在表征。本文的主要贡献可以概括为以下几点:·本文提出了一种基于距离相关系数的视图相似性计算策略。在探索不同视图间相似性时,多视图数据中不同视图的特征维度通常不同,这给视图间相似度的计算带来了很大的挑战。针对这一问题,本文发现目前已提出的视图间相似度计算方法在数据样本数量较大或样本对间距离过大时可能无法对视图间的相似度进行准确计算,并提出使用方法——距离相关系数（distance correlation）作为替代以准确捕获视图间真实的相似性。·本文提出了一种新的多视图分类方法MELTS。目前一些基于一致性和互补性原则的多视图分类方法通过增大不同视图对之间互补信息的差异性以学习潜在表征,然而不同视图之间存在着潜在的相互关系,鼓励不同视图对之间的互补信息尽可能的差异会忽视视图对之间真实的相互关系。MELTS通过使用视图间相似性保存机制和样本间一致性保存机制,能够同时捕获（1）不同视图对间的相似性信息以及（2）不同样本对间的标签一致性信息,以此揭示视图间的相互关系,同时提升所学表征的判别能力。·本文分别在合成数据集和广泛使用的真实数据集上进行了实验。综合的实验结果说明了使用距离相关系数能够有效的捕获视图间的相似性。此外,对于MELTS方法,实验从分类效果、核心机制有效性、参数敏感性、收敛性、所学表征有效性、运行效率等多个方面对其进行了全面的分析。综合的实验结果说明了MELTS的有效性。