伴随着传感器技术的发展和存储设备的增加,由个人和企业产生的数据呈指数级增长,大数据已经渗入到生活的方方面面,诸如文本、图像、音视频和网页等多个信息来源的数据也日益多样化,多视角多标签数据就是其中广泛存在的一种数据类型。如何对多视角多标签信息进行融合学习,以提升算法的预测能力,已经成为近年来机器学习领域的一个研究热点。现有的多视角多标签学习方法在取得进展的同时也面临以下挑战:对于多个不同视角如何学习他们之间的互补信息、同时兼顾不同标签之间的关联性是需要解决的第一个问题。多视角信息和多标签数据往往存在于一个高维、稀疏的空间之中,如何防止数据稀疏而产生模式识别困难,是多视角多标签学习需要解决的另一个问题。针对以上问题,本文基于正交子空间重构的思路,提出融合多视角信息的有监督和无监督学习模型。主要工作为以下几点:(1)在多标签隐语义索引模型的基础上,基于正交子空间重构,研究了一种融合多视角多标签信息的有监督学习模型。其主要的思想是通过将输入的多视角特征信息和输出的多标签数据投影到潜在的正交子空间中以学习他们之间的内在联系,同时假设不同的多视角信息和多标签输出数据可以通过线性变换与共享的投影正交子空间相关联。(2)由于上述模型只适用于多视角多标签信息完整的有监督场景,考虑到某些缺少多标签信息的无监督场景,本文还研究了一种仅融合多视角信息的潜在语义正交子空间学习模型。该模型通过将多视角特征信息映射到正交的共享子空间获得不同视角间的互补信息,共享子空间通过线性矩阵与不同多视角信息相互关联。(3)上述提出的两种模型需要将输入特征信息映射到正交子空间中,由此引入的耦合变量以及正交子空间约束使得模型的优化变得困难。因此本文提出融合布雷格曼迭代算法和交替方向乘子法对模型进行优化求解的方法,同时推导得到模型的解析解。通过在多标签数据集和无监督数据集的对比验证表明,本文提出的解决方案相较于多视角多标签领域其他算法有明显的准确率提升。