多视角聚类方法是机器学习和人工智能技术中一类重要的数据分析和挖掘工具.通过整合利用不同视角间的差异性和互补性信息，此类方法能够更加全面地揭示数据的内在结构和特征，给出更具解释性的聚类结果 .当多视角数据中存在噪声和冗余信息时，多视角聚类方法的性能可能受到严重影响.本文基于非负矩阵分解方法提出了一种新的函数型聚类算法—鲁棒图正则化多视角函数型聚类算法（Robust Graph Regularized Multi-view Functional Clustering Algorithm,RGMFC）.该算法利用结构化稀疏l2,1范数来抑制噪声或异常值的影响，同时，考虑到数据的局部几何特征，该算法引入了图正则化策略，以集成多视角异构特征.在随机模拟数据集和Growth数据集上的模拟结果表明，该算法在提高聚类性能的同时表现出较强鲁棒性.最后，本文将该算法应用于北京市空气质量监测站点空间布局的聚类识别，验证了算法的有效性.