为了提升传统多视图K-means算法在高维数据中的聚类性能，提出了一种鲁棒性大规模多视图数据的自降维K-means算法RMSKMC（robust multi-view subKmeans clustering）。通过寻找单个视图上的最优子空间实现高维数据的自降维，利用非负矩阵分解（NMF）对损失函数进行重构，使不同视图共享相同的聚类指示矩阵从而实现多视图信息互补，完成大规模多视图数据的聚类。实验结果表明，在大规模多视图数据集上，该算法比其他多视图聚类算法资源消耗更小，并且能够进行更为准确的聚类。