实际数据通常来自多个不完整的数据源,不完整的多视图聚类方法提供了一些自然的方法来聚类这些不完整的数据。先前的研究假设所有视图都丢失相同比例的样本,并且不含有噪声。但是,在大多数实际应用中,不完整视图通常具有不同的缺失率（即不平衡不完整视图）和噪声,即包括强视图（缺失率低的视图）和弱视图（缺失率高的视图）。这些不平衡的缺失会导致先前的不完整多视图聚类算法失效,而且噪声导致不可靠的聚类结果。我提出了两种不完整多视图聚类算法来分别解决上述问题:不平衡不完整多视图聚类Unbalanced Incomplete Multi-view Clustering（UIMC）、自加权包含噪声的不完整多视图聚类Auto-weighted Noisy and Incomplete Multi-view Clustering（ANIMC）。据我所知,UIMC是第一个基于视图进化规则来解决不平衡不完整问题的研究。通过设计一个加权的多视图子空间聚类框架,UIMC能够基于不同视图的缺失率对这些不完整视图进行加权。并且,UIMC能够最小化每个视图的聚类指示矩阵与共识矩阵之间的差异,使得我们能够获得更好的聚类效果。与现有方法相比,UIMC具有以下优点:1)提出了加权多视图子空间聚类,以减少不平衡不完整的负面影响;2)它设计了鲁棒且低秩的子空间表示形式,以减少噪声对鲁棒性的影响。在四个真实数据集上进行的不平衡不完整多视图聚类实验证明了UIMC在解决不平衡不完整多视图聚类问题中的有效性。为了减小噪声对聚类的影响,ANIMC算法可自动学习所有视图共享的公共潜在特征矩阵和每个视图的适当权重,并基于自适应进行协作更新半非负矩阵分解。此外,在LF-范数正则回归和L2,1-范数正则回归的帮助下,公共潜在特征矩阵和不同视图中的相同样本分别对齐,因此减小了缺失样本对聚类结果的影响。同样地,在四个真实数据集上进行了包含噪声的不完整多视图聚类实验,实验结果显示了ANIMC在解决包含噪声的不完整多视图聚类问题中的有效性。