【目的】针对协同训练算法在视图分割时未考虑噪声影响和两视图分类器对无标记样本标注不一致问题，提出了基于加权主成分分析和改进密度峰值聚类的协同训练算法。【方法】首先引入加权主成分分析对数据进行预处理，通过寻求初始有标记样本中特征和类标记之间的依赖关系求得各特征加权系数，再对加权变换后的数据进行降维并提取高贡献度特征进行视图分割，这一策略能较好地过滤视图分割时引入的噪声,同时保证数据中的关键特征能均衡划分到两个视图，从而更好地实现两个分类器的协同作用；同时，在密度峰值聚类上提出一种“双拐点”法来自动选择聚类中心，利用改进后的密度峰值聚类来确定标记不一致样本的最终类别，以降低样本被误分类的概率。【结果】与对比算法相比，所提算法在分类准确率和算法稳定性上有较大提升。【结论】通过加权主成分分析能有效地过滤掉视图分割中的噪声特征，同时改进后的密度峰值聚类减少了样本被误标记的概率。