近年来,随着数据获取技术不断的发展,多视图学习已经在计算机视觉领域得到广泛的关注。多视图数据的产生一方面为机器学习算法提供更丰富、更具多样性的数据,从而更好地揭示模式内在本质特性。另一方面也给传统的、面向单一视图的数据分析算法带来了新的挑战。如何充分挖掘多视图的关联信息和独立信息,已成为机器学习领域的研究热点之一。首先,本文借鉴特征融合的思想,在多视图鉴别分析(MvDA)的基础上,增加投影变换矩阵的正交约束,提出了多视图鉴别正交分析(MvDOA)。增加投影矩阵的正交约束一方面能更好地保留数据之间的重构关系,另一方面达到减少提取特征的冗余信息的目的,进一步增强算法的分类能力。其次,本文在多视图鉴别正交分析(MvDOA)的基础上,提出了基于多视图鉴别相关与正交分析(MvDCOA)的算法。该算法在利用上述多视图鉴别正交分析获取各个视图的独立信息基础上,再利用多视图典型相关性分析(MDCCA)获取多个视图之间的关联信息。最终串联合并多视图的关联特征和独立特征,达到充分利用了多视图所包含的信息,进一步增强算法的分类能力。最后,当多类样本线性不可分时,本文提出了多视图核鉴别相关与正交分析方法(MvKDCOA)。该算法将多视图鉴别相关与正交分析算法扩展到了核空间,所以能够挖掘隐藏在图像空间中的非线性结构,进一步增强算法的分类能力。基于MFD多特征集手写体数据库、AR彩色人脸数据库、Multi-PIE人脸数据库和PolyU多光谱掌纹数据库的实验表明,所提方法能够有效地解决多视图分类问题。同时,相较于现有的多视图识别的主流方法,本文提出的一系列方法改善了识别性能。