现有的大多数网络表示学习方法很难兼顾网络中丰富的结构信息和属性信息，导致其后续任务，如分类、聚类等的效果不佳。针对此问题，提出一种基于自编码器的多视图属性网络表示学习模型（AE-MVANR）。首先，将网络的拓扑结构信息转化为拓扑结构视图（TSV），通过计算节点间相同属性共现频率来构造属性结构视图（ASV）；然后，在两个视图上分别利用随机游走算法得到若干节点序列；最后，经过自编码器训练得到的序列，从而得到融合了结构信息和属性信息的节点表示向量。在几个真实数据集上进行了分类、聚类任务的大量实验，结果表明，所提AE-MVANR优于常用的仅基于网络结构的和同时基于网络结构信息及节点属性信息的网络表示学习方法，具体来说该模型的分类准确率最高提升43.75%，而其聚类结果的标准化互信息（NMI）和轮廓系数（Silhouette Coefficient）指标最高增幅分别为137.95%和1 314.63%，戴维森堡丁指数（DBI）最大降幅达45.99%。