多视图数据在现实场景中广泛存在，例如图像的多种特征表示以及来自不同传感器的多源信息。这类数据为揭示对象的潜在结构提供了更加全面的信息来源，与单一视图数据相比，多视图数据在结构表达上更加复杂，不同视图之间往往存在分布差异与结构不一致的问题。如何在保留各视图局部结构特征的同时，实现跨视图的有效协同与全局一致性约束，成为制约多视图聚类性能提升的关键因素。为了解决上述问题，本文提出了一种基于协同正则化的最优高阶图嵌入多视图聚类方法（Co-MSE）。该方法在统一框架下同时建模多视图数据的一阶与二阶相似性信息，通过构建高阶图结构以更充分地刻画数据的潜在流形特征。在此基础上，引入协同正则化机制，对不同视图的嵌入表示进行一致性约束，在保持各视图局部结构特性的同时，增强多视图之间的协同学习能力。本研究在多个真实数据集上对所提方法进行了系统实验验证。实验结果表明，与现有主流多视图聚类方法相比，Co-MSE能够更有效地刻画多视图数据中的高阶结构信息，在聚类准确率与结果稳定性方面均取得了显著提升，体现了其在复杂多源数据分析任务中的应用优势。