近年来,随着计算机技术的飞速发展,互联网已经成为了人们日常生活中不可或缺的一部分。互联网的迅速发展,给人们的生活带来便捷的同时,也带来了蕴含有无限价值的大数据,机器学习便是挖掘大数据所蕴含价值的一门学科。机器学习算法在实际生活中有着大量的应用,如手机人脸识别解锁,社交APP的语音识别,自动翻译,汽车自动驾驶等等,人们的生活也愈渐离不开机器学习算法带来的便捷。而这些机器学习算法如:SVM、KNN和K-Means等均依赖于样本之间的距离度量方式,欧式距离是最为常见的距离度量方式,但是这种只依赖于数据而与任务无关的距离度量并不总是有效的,如何综合利用给定数据和具体任务学习新的距离度量以便更好地完成给定任务,正是度量学习的研究目标,现已有众多研究者对此展开研究。几何平均度量学习(Geometric Mean Metric Learning,GMML)是一种高效的度量学习算法,GMML通过学习一个度量矩阵A,使得在该度量矩阵下同类样本点之间的距离尽可能小,不同类样本点之间的距离尽可能大。GMML用来学习的训练样本均为目标类数据,而对于现实存在的为数众多的同领域非目标类数据,即Universum数据并未加以利用,不免造成信息的浪费。实际上,Universum数据能提供一定的领域先验知识,本文由此出发,提出了一种新的度量学习算法——基于Universum学习的度量学习算法(U-GMML)。U-GMML期望得到一个新的度量矩阵A,使得同类样本点之间的距离尽可能小,不同类样本点之间的距离尽可能大,且Universum数据与目标类数据的距离尽可能大,从而使得所学习的度量矩阵A更有利于分类。本文进一步把度量学习与多视图学习相结合,将U-GMML进一步推广到多视图数据,提出了基于Universum学习的多视图度量学习算法(MU-GMML),MU-GMML希望学习一个度量矩阵A,使得在这个度量矩阵下,不同视图的同类样本点之间的距离尽可能小,不同视图不同类的样本点之间的距离尽可能大,同时,任一视图的目标数据均与另一视图的Universum数据之间的距离尽可能大。真实数据集上的试验结果验证了算法的有效性。