聚类分析是目前机器视觉和数据挖掘领域的热门研究内容之一,近年来大数据分析和挖掘研究热潮的兴起,使得对数据聚类的探索研究受到了极大的关注。聚类分析的目的是将数据集中的样本划分为若干个类别,使得同一类中的样本之间尽可能相似,而不同类之间的数据尽可能存在较大的差异。子空间聚类算法是目前聚类分析研究的热点方向之一,该类方法假设数据分布在不同的低维子空间中,通过构建数据的子空间实现数据的分类。稀疏子空间聚类算法(Sparse Subspace Clustering,SSC)是子空间聚类的代表性方法,其基本思想是利用数据线性自表示得到具有稀疏结构的自表示系数矩阵,利用系数矩阵构建数据的相似度度量矩阵,并通过谱聚类算法实现聚类。稀疏子空间聚类算法已经成功运用到人脸、手写字、纹理等数据上的聚类应用中。尽管稀疏子空间聚类方法在许多聚类应用上表现出较好的性能,然而这些方法主要面向的是单视数据的聚类。在现实世界中,许多信号可以通过不同的视角进行观测,并且同一数据也可以用不同的特征进行描述,通常这类数据被称为多视数据(Multi-view Data)。多视数据既包含不同视数据的共性信息,也包含不同视数据的差异互补信息,因此更有利于数据的聚类分析。现有的多视聚类方法对多视数据的共性信息和差异性信息的利用都分别进行了探讨,但还没有考虑共性信息和差异性信息的融合利用问题。针对多视数据的聚类问题,本文提出了一种差异性与一致性联合约束的多视子空间聚类算法,该算法在子空间聚类中同时考虑数据的共性和差异性信息,并且探讨了模型参数的自适应调节机制。本文的主要贡献归纳如下:(1)为了解决多视数据的聚类问题,提出了一种差异性与一致性联合约束的多视子空间聚类算法,将多视数据的一致性约束和差异性约束统一到同一个优化框架中;(2)研究了算法模型中一致性和差异性约束参数的调节机制,提出了一种基于数据属性的自适应多视子空间聚类算法和基于动态权值迭代的自适应多视子空间聚类算法。本文在多个数据集中进行实验测试,数据集分别为多特征数据集和多视角数据集,与相关的聚类方法相比较,本文提出方法对多视数据的聚类有明显的提升效果。