在现如今的互联网世界中,多视图数据呈现出爆发式增长的趋势,如何高效地挖掘多视图数据中的信息并服务于大众已经成为学术研究众多问题之一,其中多视图数据的表示学习也是一大热点。多视图数据是指通过不同的视角、不同的形式对同一个对象的客观反映的数据集合。多视图数据有两个显著的特点:一致性和互补性,不同的视图往往反映一致对象的互补特性,因此通过观测多视图数据能够更加充分的理解对象的特点。除此之外,多视图数据也能够满足更多的用户需求,例如语音转换文字、使用图片搜索视频等,给未来科技进步提供更多的可能。这些实际应用都与多视图数据的表示学习有着密切的联系,通过表示学习将数据映射到新的特征空间,最终的任务只需在新的特征空间上进行计算、排序等简单操作即可。然而,在实际应用场景中,很难搜集到完整的多视图数据以供算法学习使用,这可能是仪器损坏、搜集手段限制等原因所导致的。不完整多视图数据包含两种形式:1)部分视图缺失的多视图数据。2)全部视图缺失的多视图数据。目前大多数算法研究都假设避免这两种数据形式,这种假设限制了这些优秀的算法在实际场景中的应用,针对以上提出的问题本文主要针对在两种不同形式下的不完整多视图数据表示学习进行研究并基于两个不同的任务提出两种算法模型,主要的工作成果和贡献如下:（1）提出了基于缺失值填充的无监督跨视图哈希模型（UDIH）,将部分视图缺失的多视图数据表示学习与跨视图检索任务相结合。跨视图检索的主要挑战在于不同视图之间存在异质隔阂,部分缺失的多视图数据则会导致大量成对信息缺失（视图间的一对一关系）,并使得打破异质隔阂更加困难,从而使得跨视图检索性能下降。针对这些问题,本文提出了UDIH,其包括两个部分:第一部分为了解决成对信息缺失的问题,我们使用双通道的CRA架构来进行成对信息生成,第二部分使用加权三元组损失和加权跨视图关系图将不同视图数据通过神经网络映射至公共汉明空间,其中加权跨视图关系图是基于扩充的信息构建的。在基准数据集上,大量实验验证UDIH相较同时期的方法拥有更出色的跨视图检索效果。（2）提出了基于原型的多视图判别公共子空间学习模型（PMDSL）,将全部缺失的多视图数据表示学习与多视图分类任务相结合。多视图分类任务的主要挑战在于如何高效的利用一致性和互补性信息,因此PMDSL首先通过限制每个视图在隐空间的表示尽可能的接近其对应的类原型来捕捉视图间的一致性信息。然后通过让隐表示继承多视图数据的多样性来保留互补信息。最终PMDSL通过考虑特征之间的相关性,自适应地将多个判别表示融合成为一个综合的表示。隐表示和融合表示均基于原型的损失通过强调类内紧凑型和类间可分性,提高了表示的鲁棒性和分辨性。在四个多视图基准数据集上的大量实验结果表明PMDSL在准确性和鲁棒性方面都优于现有的方法。