多视图数据从不同的视图表征物体不同的特性,如何充分利用这些视图的共有的特征信息及各视图特有的特征信息,避免单个视图存在的局限性,从而全面深刻的认识目标对象,已成为学术界热点研究问题,这类算法称之为多视图子空间学习算法。该类算法在计算机视觉以及航空航天等领域受到了广泛的关注和应用,因此,对其进行深入研究有着重要的研究意义和价值。尽管多视图子空间学习算法在人脸识别以及物体分类识别的场景中迅速地发展,但是仍然面临着数据差异性较大以及视图信息未知等诸多挑战。本文针对分类识别任务中多视图数据差异较大以及测试集的视图信息未知等挑战,通过利用多视图数据自身的互补特性及专有特性,对传统框架中特征提取部分进行了改进,设计了多视图学习算法在分类识别任务中应用的算法框架。在此基础之上本文提出了两种算法,分别为基于公共子空间的低秩联合稀疏表示算法和基于公共子空间学习的广义低秩联合稀疏表示算法。两种算法都通过公共子空间的方式建立多视图数据间的联系,可以有效地降低数据视图间的差异以及处理测试样例视图信息未知的应用场景。并且利用多视图数据互补的特性,当其中某些视图数据受噪声点等影响,其它视图的数据信息可以带来相应的补充,算法可以有效地处理数据被污染和破坏的应用场景。针对提取到的特征,两种算法都施加低秩约束以揭露多视图数据全局结构并对齐数据,并且两种联合稀疏约束被分别施加以融合提取到的特征和降低字典的冗余信息。通过这些方式以提高算法的判别力。根据提出的两种算法分别给出算法优化式。并且基于ADMM、CCCP以及拉格朗日对偶方法设计了合理求解方案有效地求解了提出的两种算法,同时采用指数近似的方式精确地求解了算法优化式中的低秩难题。最终,本文设计了合理的实验,利用CMU-PIE、CASIA-HFB等多视图数据集去评估提出的算法,并且与7种主流的多视图学习算法进行比较分析。实验结果充分地表明提出的两种多视图子空间学习算法表现出较好的识别性能,能够有效地解决分类识别任务中存在的挑战,有着较好的鲁棒性,有效地实现了本文的研究目标。本文提出的算法在理论创新以及实际应用方面都有着重要的研究价值和意义。