多视图子空间聚类方法通常用于处理高维复杂数据。现有的多视图子空间聚类方法大多是通过挖掘潜在图信息来分析和处理数据，但缺乏潜在子空间表示的监督过程。为了解决这个问题，本文提出了一种新的多视图子空间聚类方法，即基于图信息的自监督多视图子空间聚类方法（SMSC）。它将谱聚类与子空间表示相结合，形成一个统一的深度学习框架。SMSC首先通过挖掘多视图数据的一阶和二阶图来形成潜在图信息，然后使用聚类结果来监督多视图的公共潜在子空间学习过程。通过对四个标准数据集的大量实验，结果表明该方法比传统的多视角方法更有效