随着大数据时代到来,同一种数据往往能够从多种数据源获取,并且越来越多的特征抽取器被设计,因此多视角学习受到学者们的广泛重视。多视角聚类是聚类中的一个重要研究领域,充分利用多个视角之间的补充信息能够提高聚类性能。本文基于多视角聚类算法展开研究,针对现有多视角聚类算法中多视角特征抽取与聚类分离造成聚类性能不佳的问题,设计基于联合学习框架的深度多视角聚类算法,能够有效提升多视角聚类的性能。本文的主要贡献如下:第一,提出了基于显式多视角融合的深度多视角联合聚类模型。针对不同视角在聚类中存在重要性差异,对不同视角施加新颖的显式多视角权重。通过构建多视角融合辅助目标分布与软分配分布,能够实现多视角特征、聚类分配与显式多视角权重的联合学习。模型基于KL散度形式的聚类目标与一个额外的正则化项进行优化。在手写数字数据集、目标数据集与场景数据集上的实验结果表明,提出的模型优于现有的两阶段分离的多视角聚类算法与单视角联合聚类算法。第二,提出了基于隐式多视角融合的深度多视角联合聚类模型。针对不同视角的聚类中心存在相互关联性,对不同视角的聚类中心施加新颖的隐式多视角权重。通过构建多视角融合软分配分布与辅助目标分布,能够实现多视角特征、聚类分配与隐式多视角权重的联合学习。模型基于KL散度形式的聚类目标进行优化。提出的模型在手写数字数据集、目标数据集与场景数据集上进行评估,评估结果表明了提出模型相比其他方法的优越性。第三,提出了基于自步多视角融合的深度多视角联合聚类模型。针对不同视角与不同样本存在复杂性差异,在模型中引入新颖的自步学习方案,对每个视角中的不同样本施加多视角样本权重。模型能够实现多视角特征、聚类分配与多视角样本权重的联合学习。模型基于多视角形式的K-means聚类目标与一个额外的自编码器重建项进行优化。在手写数字数据集与目标数据集上对提出的模型进行实验,实验结果表明了提出的模型的可行性与有效性。