摘要：針對同一對象從不同途徑或不同層面獲得的特征數據被稱為多視角數據.多視角學習是利用事物的多視角數據進行建模求解的一種新的機器學S方法.大量研宄表明,多視角數據共同學習可以顯著提高模型的學習效果,因此許多相關模型及算法被提出.多視角學習一般需遵循一致性原則和互補性原則.基于一致性原則,Farquhar等人成功地將支持向量機(Support Vector Machine,SVM)和核典型相關分析(Kernel Canonical Correlation Analysis,KCCA)整合成一個單獨的優化問題,提出SVM-2K模型.但是,SVM-2K模型并未充分利用多視角數據間的互補信息.因此,在SVM-2K模型的基礎之上,提出了基于間隔遷移的多視角支持向量機模型(Margin transfer-based multi-view support vector machine,M2SVM),該模型同時滿足多視角學習的一致性和互補性兩原則.進一步地,從一致性的角度對其進行理論分析,并與SVM-2K比較,揭示了M2SVM比SVM-2K更為靈活.最后,在大量的多視角數據集上驗證了M2SVM模型的有效性.