从多种数据中挖掘信息是机器学习的一个重要领域。更具体而言，我们关心的问题称为多模学习，其目标是将物体对象的多样数据信息整合为一种单一表示。尽管过去已经有很多的相关模型被提出来，用来挖掘不同源数据中的信息，但是他们却不能完成一些重要的任务，比如结构学习，维度确定，以及缺失数据的处理等。为了能够同时实现这些任务，我们提出了一个新的统计模型。相关的工作成功地发表在了相关的国际会议中，如CIKM。本论文系统地将这些工作结合了起来，作为作者工作的一个综合总结。　　多模学习中最重要的工作是挖掘数据中隐空间的结构。CCA和其相关拓展的方法能够有效地挖掘数据间的共同成分。但是，这些方法往往忽视了各个模数据的独立成分，从而导致了信息的丢失。而最近的一些工作，将数据间的隐空间划分为了共同空间和独立空间，从而更有效地整合了数据。但是，这些模型往往会需要数据的详细信息，用来设定模型参数，这种要求对于实际应用来说过于苛刻。　　我们将能够引入稀疏性的ARD先验设置在投影矩阵上，从而全面系统地解决了这些问题。这些先验设定，使得我们的模型能够将数据空间分成公共和私有的成分，并同时确定各自空间的维度。所以，也就不再需要数据的相关先验知识了。而且，我们的方法是建立统计学习框架中的，所以它能够自然地处理数据缺失的问题。在实验中，我们的方法不仅能够在人工数据中成功地挖掘出隐藏空间，而且在HumanEva数据几上达到已有方法的最好水平，更是在缺失数据处理中超过了已有方法。