多视图数据成为当前数据资源的重要组成部分和信息科学领域重点关注的的研究对象。然而，该领域仍然有许多尚未解决的重要问题。其中包括：数据资源受限下多视图聚类变得非常困难；计算资源受限下多视图聚类方法仍然是一个巨大的挑战。针对这些挑战，本项目将深入研究三个方面的问题：（1）研究基于选择性填充的不完备多视图聚类方法以解决缺失数据不完备的难题；（2）研究基于可变精度近似的大规模多视图聚类方法使得近似精度可随计算资源动态调整；（3）研究基于稳定性缩减的高维度多视图聚类方法以解决特征选择面临的模型选择困难以及计算复杂性高的问题。该研究不仅能推动多视图聚类算法设计的理论发展，有助于清除多视图聚类算法在数据资源和计算资源受限下的应用障碍，为进一步扩大多视图聚类算法的应用范围铺平道路，具有丰富的理论研究价值和广泛的应用前景。

Multi-view data is very important. A lot of effort has been made for better clustering. The incomplete, large-scale, and high-dimensional multi-view data bring great challenges for clustering with the limitations on data and computational cost. In this project, (1)We will study the problem of incomplete multi-view clustering under the selective completion. (2) We will study the problem of large scale multi-view clustering with the balance between the computational cost and the accuracy. (3) We will also study the problem of high-dimensional multi-view clustering by investigating the stability of features.