随着互联网的不断发展,数据的来源和收集方式变得多样化、复杂化,同一数据对象经常会从多种来源获取或者具有多种不同的特征表现形式,这些具有多种来源或者多种不同特征表现形式的数据被称为多视图数据,利用多视图数据进行学习则被称为多视图学习。由于深度学习技术的兴起,研究者提出了基于不同的深度学习构件的多视图学习算法,然而这些基于深度神经网络的多视图学习算法并未考虑数据中重要的图结构信息。数据中的图结构能够在多视图之间传递信息,图神经网络技术通过在神经网络的隐层表示中嵌入图结构信息也让神经网络利用图结构信息成为了可能。本文将图神经网络引入到多视图学习以实现视图之间的结构信息交互,主要取得了以下研究成果:1.基于图注意力机制的多视图表示学习。传统多视图表示学习利用典型关联分析(Canonical Correlation Analysis,CCA)在无监督设定下学得的表示因判别性不足而影响学习性能,我们提出了能够利用图结构信息改善隐层表示以提高表示学习判别性的半监督多视图表示学习方法Mv DGAT,并通过引入注意力机制学习图结构中边的合适权值。实验效果表明所提方法Mv DGAT的性能优于经典的多视图表示学习方法。2.基于混合拉普拉斯的多视图分类。经典的多视图学习方法协同训练(Co-training)通过互相标记数据提高学习性能,然而其迭代式地交换伪标记容易引入标记噪声且训练成本过高。受到协同训练基于图的理论分析启发,我们提出了能够利用混合拉普拉斯矩阵交换视图间结构信息的多视图分类方法Co-GCN,并通过自适应地学习混合拉普拉斯矩阵的权重平衡多个视图的重要性。实验效果表明所提出的Co-GCN在性能上优于经典的多视图分类方法。