随着信息采集技术的发展,人们获得的数据往往来自不同的领域,具有不同的特征,形成了高维的多视图数据。由于多个视图间的相关性,多视图数据近似分布于一个低秩子空间中。基于低秩假设,本硕士论文针对多视图的聚类和半监督分类任务,完成了以下工作:1.在多视图聚类任务中,我们提出基于张量奇异值分解的张量Schatten-p范数,并将其引入到子空间聚类框架中,从而提出基于张量Schatten-p范数的多视图子空间聚类模型。张量Schatten-p范数作为张量秩函数的非凸近似,使得算法的聚类性能得到了提升。2.基于多视图半监督分类模型,我们将构建亲和矩阵和标签传播两个独立阶段有效融合在统一的框架中,提出自学习的多视图半监督学习算法。该算法利用“反馈”机制,将无标签样本的预测标签用于半监督学习过程,为分类提供了更多的监督信息,从而有效提高了分类准确度。3.我们在自学习框架中引入范数的非凸替代函数,提出基于非凸近似的自学习多视图半监督分类模型。真实数据集上的实验验证了本文所提学习方法的优越性。