不同视角的一个对象通常代表该对象的不同方面，单一视角不可能全面描述该对象。在多视图学习中，综合利用多视图信息是有帮助的。本文提出了一种新颖的监督潜在子空间学习方法，称为多视图完整判别空间学习（MIDSL），通过有效整合不同视角的互补多视图信息。MIDSL通过采用Fisher判别准则来充分利用类别标签信息，从而可以很好地指导利用有用的判别信息的挖掘。MIDSL可以同时最小化学习到的潜在完整判别空间中不同对象特征表示的类内散布并最大化类间散布。为了利用未标记样本帮助挖掘更多有用信息以更好地学习潜在完整判别空间，我们在半监督场景中扩展了MIDSL方法并提出了半监督多视图完整判别空间学习（SMIDSL）方法。我们进一步通过核技术扩展了MIDSL和SMIDSL方法，并提出了核化多视图完整判别空间学习（KMIDSL）和核化半监督多视图完整判别空间学习（KSMIDSL）方法。在Caltech 101、LFW、MNIST和RGB-D数据集上的实验结果证明了我们提出的方法的有效性。