随着科技的不断进步以及计算机性能的不断提升,人工智能得到前所未有的发展,并渗透到生活的方方面面。每天人们的衣食住行,社会各行各业的正常运转,都会产生海量的数据,如何充分利用这些数据,发掘潜在价值,成为机器学习的首要任务。随着数据采集技术的发展,我们可获得的数据越来越丰富,同时也越来越复杂,不免存在一些数据,它们通过不同的方式表达,我们称之为多视图数据,多视图学习技术应用而生。多视图数据具有两个基本性质,即互补性和一致性,它可为后续的机器学习任务提供更加丰富的信息。但在数据采集过程中,我们可能无法获取到数据的多个视图,或者存在获得的多视图数据不完整等现象,如何根据已有单视图数据构建多个视图或者利用已有多视图数据构建视图,成为值得研究的话题。在实际应用中,存在一些数据具有样本数量少维度高的特点,传统的机器学习方法难以很好地学习其中的知识。通过降维算法可以提取重要特征,但同时也损失了一些信息。本文提出一种基于特征分割的多视图构建模型(FP_MvCM),将传统的降维方法与多视图学习技术相结合,在摒除冗余信息的同时,尽可能地保留丰富的信息。在构建多视图数据的过程中,提出一种多视图质量的评价方法,以获取高质量的多个视图。将构建所得多视图用于聚类任务,通过聚类结果检测多视图数据的有效性。实验结果表明,FP_MvCM在去除冗余特征的同时,保证了多视图数据的互补性和一致性信息。在获取数据的过程中,由于一些不可控因素,使得我们得到的多视图数据可能是不完整的,因此如何利用较为完整的多视图数据去填充不完整视图,是值得研究的问题。本文提出一种基于自编码网络的多视图构建模型(MvAEM),该模型由一个编码器和解码器组成。将已有的多视图输入到编码器中,获得多个视图的统一编码,再通过解码器解码获取目标视图。实验结果表明,MvAEM可以构建清晰的目标视图轮廓,且实现了视图角度的扭转。