无监督表示学习指利用无监督机器学习或深度学习方法获得实体或者样本稠密低维实值向量表达。随着大数据时代到来和相关技术的不断积累,如何从数据中学习更高层次和更抽象的特征表示成为了新的研究热点。然而不同数据本身结构特性不同,因此需要结合数据本身的特点来设计无监督表示学习方法。本文则聚焦于时间序列数据和多视角数据的深度表示学习研究。在时间序列数据范畴,之前的工作大多忽略时间序列的动态性（长期或短期的时间依赖特征）,并且忽略利用聚类约束来提升表示学习的质量,将两个任务割裂开来。对于多视角数据而言,如何建模多视角数据的一致性特征和互补性特征同时降低特征表示的非冗余性是一个挑战。针对以上问题,本文结合时间序列数据和多视角数据本身特点提出对应的无监督表示学习的深度神经网络。1)针对时间序列数据,本文提出了一种面向时间序列聚类的表示学习框架,以同时优化时间序列特性表示和聚类。在时间序列特征提取模块中,使用递归神经网络（RNN）进行单步时间序列预测用来捕获时间动态特征并保持其局部结构。RNN输出层的参数被视为基于模型的动态特征,然后被输入到自监督的聚类模块中以获得预测的标签。为了建立这两个模块之间的连接,使用谱分析将相似的特征约束为具有相同的伪标签,同时设计分类器,将预测的标签与伪标签对齐。通过迭代更新模型参数和伪标签来训练模型。实验在85个UCR数据集进行,实验结果和可视化分析都验证了模型的有效性。2)针对于多视角数据,本文提出了从多视角数据中提取不同视角的共享的（一致的）特征和视角内特有的（互补的）特征的网络框架。对于视角间共有特征的建模,引入一致性损失以约束视图之间学习到一致性的表示,同时引入一种特征分离机制,该机制通过学习共享特征与原始特征之间的差异来提炼视图特有的特征,结合正交性约束减少共享特征和私有特征之间冗余性。最后,结合视角间共享特征和视角内的私有特征,以获取多视图数据的统一表示并将其应用于下游任务。实验在13个常见的多视角数据集进行。实验表明,本文提出的模型学习的表示,在分类和聚类任务上达到了最好的性能,并且可视化分析也证明了该多视角表示学习方法的有效性。