人类社会正进入数据总量和复杂性不断增加的数据爆炸时代。如何有效处理海量复杂数据并提取有用信息，已成为一个全球性的研究热点。当前复杂数据中不断呈现出的多源异质或多传感器感知等多视图特性，正成为制约人工智能和机器学习技术应用的关键之一。项目致力于多视图数据融合的协同计算理论与方法的研究，在突破多视图数据处理瓶颈，实现信息的融合与增强等方面取得了多项突出创新成果，在智能交通、智能医疗等众多领域显现了广泛的应用潜力。项目主要科学发现包括：（1）提出了多视图贝叶斯网络监督回归方法，解决了复杂交通场景中时序数据预测的视图构建与部分视图缺失的问题。已成功用于北京市道路交通流数据的建模与预测，预测结果与实际流量高度吻合。（2）首创了“间隔一致性”多视图学习理论，提出了多视图最大熵判别监督分类方法，解决了视图间约束或依赖关系准确建模的难题，被国际学者评价为多视图分类器的代表性工作和当前最先进的方法。（3）首次将主动学习发展到多视图多学习机模式，提出了基于集成学习的多视图主动学习方法以及新的样本选择机制，克服了现有主动学习方法不能同时兼顾多个视图和多个学习机的缺陷，并开辟了对多视图集成学习的研究。（4）提出了多视图稀疏半监督学习方法，并给出基于Rademacher复杂度的泛化性能理论分析，解决了半监督学习中未标注数据的稀疏化与分类器的泛化性能分析问题，开辟了多视图稀疏半监督学习的理论与算法研究。（5）首次将不相关思想引入到多视图数据判别特征的提取中，提出了多视图不相关判别分析方法，实现了低冗余判别特征的提取，推动了基于典型相关分析的多视图数据建模方法的发展。项目8篇代表作刊登在IEEE T-ITS, IEEE T-Cybernetics, IEEE T-NNLS, JMLR等国际顶级期刊上，发表期刊的平均影响因子4.956，总他引1005次，SCI他引417次。第一完成人受邀担任国际顶级期刊IEEE T-NNLS副编辑，连续五年入选Elsevier发布的中国高被引学者，出版国际首部介绍多视图机器学习的英文专著（Mutiview Machine Learning, Springer, 2019）；第二完成人获全国百篇优秀博士论文指导教师奖，入选IEEE Fellow。项目成果引领和推动了多视图机器学习的研究，发展了人工智能的基础理论体系，被中科院院士、IEEE Fellow、国际著名期刊主编等学者广泛引用和高度评价，并被选作模型和算法比较的基准。多项成果被国内外专家评价为当前最先进的工作（“state-of-the-art”）；麻省理工学院教授指出，项目成果在传感器出现故障时仍能无缝地产生可靠的预测；马来亚大学教授将项目成果用于构音障碍者语音识别，性能提高20%以上；英国的研究人员和医生将项目成果用于基于磁共振和超声的扩张型心肌病诊断，同类方法中性能最高。