聚类作为最重要的无监督方法之一,长期以来一直是模式识别和机器学习中的一项关键技术,它根据特定标准对数据样本进行分组,从而使同一组内的样本的相似性尽可能大,同时不在同一个组中的样本的差异性也尽可能大。随着互联网和通信技术的快速发展,真实世界的大多数数据都是从不同的来源生成,或者由各种特征采集器描述,这种数据被称为多视图数据。由于在划分无标签的多视图数据上具备优势,多视图聚类吸引了越来越多的关注。然而在实际应用中数据会受到机器损坏或传感器问题的影响,多视图数据可能会因此丢失某些视图并导致不完整多视图数据的产生。不完整多视图数据的出现使得现有的多视图聚类方法性能受到限制。因此为了解决多视图数据不完整的问题,人们提出了不完整多视图聚类方法。针对不完整多视图聚类问题,本文分别从传统机器学习和深度学习两方面进行研究,主要研究内容和创新点如下:1.针对现有的不完整多视图聚类算法专注于学习一致性表示,而忽略了局部数据结构的重要性,且没有考虑多个视图的不同重要性的问题,提出了一种基于低秩表示和自适应图正则化的不完整多视图聚类算法（IMC-LRAGR）。在IMC-LRAGR模型中,首先结合距离正则化项和基于低秩表示的非负约束来学习具有全局和局部数据结构的图。其次,通过使用谱聚类获得图的相应低维表示。最后,在模型中引入了一种新的加权融合机制来学习所有视图的一致性表示,并使用K-means算法得到最终的聚类结果。在标准数据集上的大量实验结果表明,IMC-LRAGR算法优于最新的不完整多视图聚类算法。2.针对基于对比学习的深度不完整多视图聚类算法在防止维度塌缩时过度依赖额外添加的投影头,且忽略了单个视图私有信息不一致性和所有视图公共语义一致性之间存在冲突的问题,提出了一种通过直接对比学习防止维度塌缩的深度不完整多视图聚类算法（PDCIMC）。PDCIMC是一个可以更好地利用每个维度潜在表示信息的不完整多视图聚类模型。具体而言,PDCIMC首先使用自编码器从原始特征中学习每个视图的特征表示,然后将学习到的特征向量的子向量计算对比损失,通过直接优化潜在子空间的方式有效地防止了表示空间中的维度塌缩。为了解决恢复缺失视图信息时恢复了无用的不一致信息而导致性能下降的问题,PDCIMC采用最小化条件熵来恢复缺失的视图,巧妙地丢弃了不一致信息。由于直接在潜在特征上进行重构学习和一致性学习会导致上述冲突,与现有大多数需要MLP的方法不同,PDCIMC在潜在特征上进行重构学习并在其子向量上进行一致性学习,从而可以在相同的特征表示级别上更好地利用视图的可用信息。在公开的基准数据集上的实验结果表明,PDCIMC能够实现最优的聚类结果。