近年来,随着计算机技术的不断发展,出现了越来越多的从不同角度使用高维度特征来描述的多视图数据。随着越来越多的高维度多视图数据的出现,多视图学习例如多视图降维、聚类、分类等逐渐成为研究热点。鉴于这种多视图高维数据具有视图相关性和维度较高等特点,越来越多的多视图数据降维算法被提出及应用。多视图数据往往存在数据维度较高和样本不配对的情况,本文在学习和探究前人工作的基础上,提出了一系列应用于不同场景下的基于稀疏重建关系保持的多视图降维技术。(1)针对高维度特征表示的多视图数据,提出了一种基于稀疏重建关系保持的多视图协同降维方法。该算法利用协同训练将稀疏表示引入到多视图数据降维中。算法首先在单个视图上通过稀疏表示来构建每个视图的稀疏重建系数矩阵,然后利用协同训练的思想在迭代降维过程中使得不同视图在降维子空间的稀疏系数矩阵达到最大的一致性,最后通过实验验证了该算法在降维中的优越性。(2)针对于传统多视图降维算法一般要求不同视图上的数据样本必须完全一一配对,不能很好地处理多视图半配对数据的降维问题,提出了一种半配对场景下基于稀疏重建关系保持的多视图降维算法。该算法通过借助共有样本与样本对之间的稀疏重建关系来重新计算全视图下的重建系数融合矩阵。该算法可以更好地利用不配对样本的数据信息,并且对稀疏系数矩阵具有更好的可解释性。通过实验验证了该算法在半配对场景下依旧可以很好地保持数据的稀疏性关系。(3)针对不同配对场景下的多视图数据降维要求,提出了一种适用于多种配对场景下的多视图稀疏保持降维算法。该算法通过在任意两个视图间构造关于配对样本的视图间结构一致性约束来利用配对样本的数据信息。同时算法通过在每个视图上构建现存样本的稀疏系数矩阵来进一步利用配对以及不配对样本的数据信息。在此基础上,算法寻找联合嵌入低维子空间,使得原高维空间上样本的稀疏关系能够在低维子空间上得到保持。在不同配对场景的多视图数据的实验中,实验结果表明了该算法不仅能够充分利用配对和不配对样本的数据信息,而且能将配对样本所具有的视图相关性结合到模型中。