多视图数据通常可以由多个不同的特征集来进行描述,相比于单视图数据其包含了更多的判别信息,从而使得多视图特征学习技术在近年来引起了研究者广泛研究。多视图数据通常是高维数据,其不同视图之间的数据存在着互补性与冗余性,如何从多视图数据中学习合适的特征投影将高维的多视图数据映射到低维的数据空间中是降低计算复杂度与资源消耗的首要任务。其次,如何从不同的视图数据之间挖掘出有效的判别信息已成为多视图特征学习技术运用于分类的主要问题。然而在实际应用中,海量的多视图数据通常含有部分有标记的数据以及大量未标记的数据,因此如何利用好少量数据中的标记信息以及大量无标记的样本信息来完成多视图特征学习任务是非常有意义的。针对以上问题,本文创新地提出了两种多视图特征学习算法,主要的研究内容如下:一、针对如何从多视图数据的样本标记信息中学习将高维数据映射到低维空间中的特征投影问题,提出自适应权重的多视图判别投影（AMDP）方法。该算法基于希尔伯特-施密特独立性准则（Hilbert-Schmidt Independence Criteria,HSIC）有效地保持多视图数据在希尔伯特空间中存在的潜在一致性结构,同时通过对每个视图数据的空间局部流形结构进行保留,以提取原始数据中尽可能多的判别信息。更重要的是,考虑到多视图数据中存在的一定噪音以及异常点,该算法对每个视图都使用低秩稀疏表示技术,有效的提高算法的鲁棒性。此外,通过设置自适应的权重来对每个包含不同特征信息量的视图进行相应的加权,以提高算法的准确性。最后,基于LADMAP方法对所提出的算法进行有效的求解。在两个基准数据库上的实验结果表明,所提出的AMDP算法优于与其对比的判别性投影算法。二、针对如何利用多视图数据的少量标记与大量无标记样本信息进行分类问题,提出了基于一致性约束的半监督多视图分类（SMCC）方法。其算法通过结合半监督与多度量学习提高多视图特征数据的分类性能。具体而言,首先基于希尔伯特-施密特独立性准则对不同视图之间进行一致性约束,以保持多视图数据在希尔伯特空间的结构一致性。其次,通过保留欧氏空间中不同视图特征数据的局部流形结构并对相似矩阵施加Frobenius范数约束,以提高算法的鲁棒性。然后,根据每个视图数据中包含的特征信息量与噪声污染程度对不同视图自适应地赋予相应的权重,再利用谱聚类约束来对未标记的数据进行分类。最后,基于ADMM算法设计有效的求解方法,并在四个基准数据集上进行实验以验证算法的性能。