随着数据采集技术的不断发展,具有海量表现形式的复杂多视图数据不断涌现在科学探索和日常生活的各个领域中。所以,研究多视图数据分析问题具有重要的实际价值和意义。多视图分类是多视图数据分析的基础,现有的多视图分类方法大多为基于线性判别分析的,它们要求输入数据服从全局高斯分布,并且无法捕获数据的潜在局部结构,导致适用性差。而一些局部感知方法虽然能够捕获数据的局部结构,但是它们涉及KNN过程,需要预设邻域数或局部特征矩阵,灵活性低。与此同时,现有的大多数深层多视图分类方法没有充分考虑多视图数据的固有结构特性,无法有效地提取视图不变表征。针对上述这些问题,本文研究多视图局部自适应判别分析(MvLADA),基于深度对抗网络的多视图数据分类方法(MvDAN)和基于深度对抗网络的增强多视图数据分类方法(MvDANE)。论文的主要研究内容如下:1、已有的大多数基于线性判别分析的多视图分类方法依赖于输入数据服从全局高斯分布的假设,但现实生活中的数据通常是非线性的,导致算法适用性差。此外,一些局部感知多视图分类方法涉及KNN过程,需要预设邻域数或局部特征矩阵,算-法灵活性差。针对上述问题,本文提出了多视图局部自适应判别分析(MvLADA)方法。MvLADA将线性变换学习和加权矩阵学习集成到一个统一的框架中,自适应地学习由所有视图共享的加权矩阵。MvLADA对输入数据的分布没有要求,而且它通过自适应学习得到的加权矩阵来捕获数据的内在局部结构,适用性强。此外,MvLADA在不执行KNN过程的情况下,自适应地学习加权矩阵,更可靠地捕获数据的潜在局部结构.,灵活性强。它是一种无参数的方法。本文在多视图数据库上进行了实验,证明了本文算法的有效性。2、MvLADA是一种浅层多视图分类方法,不能提取出多视图数据的深层特征,而现有的大多数深层多视图分类方法无法有效地提取视图不变表征。针对这些不足,本文提出了一种基于深度对抗网络的多视图数据分类方法(MvDAN),它利用特征投影机和视图分类器之间的相互博弈,可以更有效地得到视图不变表征。特征投影机捕获多视图数据的潜在共享属性,其通过结构保存迫使不同视图间同类的样本距离近,不同类的样本距离远。视图分类器捕获每个视图的特定属性,并尝试根据不同视图之间的差异区分样本的视图。此外,MvDAN还引入标签预测结构通过最小化交叉熵损失得到样本的预测标签。但MvDAN没有对提取出的同一视图内的深层特征进行距离度量,因此不能确保学习到了理想的分类边界。针对这个问题,本文进一步提出了基于深度对抗网络的增强多视图数据分类方法(MvDANE),它在MvDAN的基础上引入视图内度量损失,使得同一视图内同类的深层特征距离近,同时不同类的深层特征距离远,以充分提取多视图数据的判别信息。本文在几个常用的多视图数据库上进行了实验,证明了本文算法的有效性。