随着科学技术的发展,人们越来越容易得到同一个事物多个不同视图的数据,而传统的机器学习方法大多是在一个视图上进行的。为了利用不同视图之间的相关信息和互补信息,人们通常分别在这些单视图上进行独立、交替训练分类器,然后再在独立的数据集上验证分类模型是否有效。这些方法仅仅使用了不同视图的互补信息,并没有将不同视图之间的相关信息利用起来。典型相关分析作为多元统计方法可以通过研究两组多元变量之间的线性关系,对多视图数据进行特征提取。此外,稀疏表示已成为当前机器学习和模式识别的研究热点之一。使用稀疏表示可以降低运算复杂度,节省存储空间。本文将稀疏表示的思想引入典型相关分析,提出一种有监督的多视图学习方法。主要研究工作如下：首先,提出了基于稀疏保持的典型相关分析方法。通过使用稀疏保持自适应选择样本局部信息,同时通过在同类样本之间计算权重矩阵,将样本的类别信息嵌入到算法中,使之成为有监督的学习方法。另外,引入交叉相关的思想,增强不同视图不成对样本之间的联系。通过使用核技巧将算法推广到特征空间,使算法能够处理更加复杂的非线性问题。由于引入了样本类别信息和交叉相关,基于稀疏保持的典型相关分析不仅可以提取相关特征,还可以在降维后保留尽可能多的判别信息。在人工数据集、多特征手写体数据集和ORL,PIE,YALE三个人脸数据集上进行对比实验,验证了算法的有效性。其次,借助类内相关和类间相关的思想,将基于稀疏保持的典型相关分析进行推广,使其能够处理样本缺失情况。在人工数据集、多特征手写体数据集和YALE人脸数据集上进行一系列实验,并且在医学图像上进行多模态分类实验。从实验中我们发现,我们的算法不仅能够更有效的提取特征进行分类而且对缺失样本个数不敏感。