在大数据时代,数据多呈现多源异质异构的特点,多源数据能够为数据分析提供更丰富、更全面的信息。跨模态聚类作为多源数据的基本分析工具,由于不需要标注信息,成为目前的研究热点。跨模态聚类通过对不同模态数据间关系的探索和分析,使得具有相似性的数据聚为一簇。现有的大多数跨模态聚类算法常处理完备的数据,然而,在实际应用中,由于人为、噪声、设备故障等因素,获取到的跨模态数据不可避免存在模态丢失,即模态不完备。目前针对不完备数据的主要研究方法是学习完备的子空间或者补全缺失的数据,但是它们常常忽略了学习到的聚类表示的判别性,从而阻碍了聚类性能的进一步提升;其次现有方法通常为单向的聚类模型,忽略了聚类结果的可再利用性及数据本身隐藏的类别信息。因此,针对以上问题,本文对不完备的跨模态数据展开研究,构建了新型的跨模态聚类模型,具体内容如下:（1）针对现有算法忽略了学习完备子空间的判别性问题,提出了共享-判别的不完备跨模态数据聚类框架（iCmSC:Incomplete Cross-Modal Subspace Clustering,iCmSC）。该框架利用深度典型相关性分析的思想探索和挖掘不完备跨模态数据之间的相关关系,从而获得跨模态数据间更加一致的子空间聚类表示;同时在一致的聚类表示上添加l12-范数正则化,增强聚类表示的判别性能,进一步提高不完备跨模态数据聚类的准确率。（2）针对于现有的算法忽略了数据本身隐藏的类别信息、造成重要信息流失的问题,提出了一种不完备多模态数据的自监督学习策略（Partial Multi-Modal Cluster-ing via Self-Supervised Multi-Modal CCA Network,PMC-SCCA）。该方法建立一个自监督循环反馈学习网络,将聚类获得的结果反馈给子空间特征学习过程和自表达学习过程来监督指导其学习,有效地挖掘了数据本身隐藏的类别信息;基于上一个研究内容,扩展不完备跨模态聚类至不完备多模态聚类,充分利用多模态数据更全面、更丰富的信息,极大地提高了不完备多模态数据聚类性能。