从不同来源、结构或角度描述同一对象的数据称为多视图数据,其往往具有不同的特征表达、结构或维度,且视图间存在相关性、一致性和互补性等各种关系。利用不同视图间关系,通过协同学习得到融合表征,以提高任务完成性能的过程为多视图学习。融合表征是多视图学习的关键问题和技术难点。本文针对基于融合表征的多视图学习方法进行研究,探索了视图相关程度对基于融合表征的分类效果的影响,研究了多视图子空间学习、子空间聚类、隐空间学习、多视图聚类等关键技术。具体研究工作和主要创新点如下:（1）探究多视图相关程度与融合表征的分类效果的关系。本文从数据分析的实证角度,利用公开多视图数据集,分别基于最大信息系数算法计算两两视图的相关值和基于两种子空间学习模型学习融合表征并分类预测,基于以上结果,探索和分析多视图特征的相关性、基于不同视图融合表征的分类差异性、视图相关程度对融合效果的关联性。实验结果表明:视图相关性与视图融合效果关联性较强;深度学习降低了融合效果对视图相关性的依赖性;差异特征对提升融合效果更有价值。（2）基于双反馈机制的多视图子空间学习。针对多视图子空间学习中融合表征的判别性表达能力不足问题,提出一种基于双反馈机制的多视图子空间学习方法,考虑到单视图内隐含了独特的差异性特征,采用胶囊网络的动态路由机制挖掘单视图的独特特征,并在融合学习的目标函数中加入融合矩阵与网络线性变换输出矩阵的差最小约束,通过两步权重更新操作,实现特征的双反馈学习,提升了公共子空间表征的可判别性。在五个数据集上评测模型性能,实验结果表明,增强单视图学习可提升融合表征的分类和聚类性能,性能提升显著;在聚类任务中模型性能稳定;基准算法中的深度子空间学习方法性能不稳定,有待改进研究。（3）基于多视图深度特征增强的隐空间融合表征。为了使多视图子空间聚类中同时学习视图一致性和差异性,提出一种基于多视图深度特征增强的隐空间融合表征方法,充分利用子空间聚类学习一致性的优势,加入多视图隐空间增强学习,可同时适用于分类和聚类任务。在该模型中,利用单视图判别性特征学习隐空间,再学习多视图自表达矩阵,通过设计隐空间与原特征、自表达与隐空间损失最小约束重构隐空间和自表达。在四个数据集上评测模型性能,实验结果表明,增强视图表征提升了融合表征的分类和聚类性能;视图数量越多,聚类性能越好;模型聚类准确性高于基准算法;模型在单视图上分类性能差异较大时,融合表征后的整体分类能力下降。（4）基于多视图差异性和一致性的聚类融合表征。为了使多视图聚类学习中有效学习视图内、间关系,提出了基于多视图差异性和一致性的聚类融合增强学习方法,分别从视图内差异性、视图间一致性、单视图隐特征增强表达和视图间子空间融合进行模型设计。在四个数据集上评测模型性能,并与本文提出的子空间学习和隐空间融合表征两个模型进行综合性能评测,实验结果表明:模型的聚类性能提升显著,并发现聚类性能与视图数量的关系存在非单调关系。