时间：2026发表场所：IEEE Transactions on Fuzzy Systems（IEEE TFS / TFUZZ），Vol. 34, No. 3, March 2026核心思想针对现有不完全多视图聚类方法普遍依赖"所有视图均完整"这一不现实假设，且往往仅挖掘视图间的共有信息（common information）而忽略各视图特有的特定信息（view-specific information）、忽略缺失视图的填补（missing view imputation），并普遍将表示学习与聚类分离开来导致所获表示并非对聚类最优的三大局限，本文提出一种基于模糊聚类的增强型一步式（one-step）不完全多视图聚类方法 IMVFCM_DRL（Incomplete Multi-View Fuzzy C-Means with Dual Representation Learning）。其核心思想体现在三个层面：其一，构建一种新的双表示学习框架，将缺失视图的填补显式地融入隐藏表示学习过程；其二，设计对偶信息学习策略，自适应地将隐藏视图分解为公共部分和特有部分，以同时捕获跨视图共享信息和单视图特有信息；其三，建立带有加权结构保持的统一步骤模糊聚类框架，使表示学习与模糊聚类划分在同一个优化目标中协同进行，从而提升聚类性能与鲁棒性。目标函数IMVFCM_DRL 的整体目标函数为：