diff --git a/docs/mindspore/source_zh_cn/features/view.md b/docs/mindspore/source_zh_cn/features/view.md
new file mode 100644
index 0000000000000000000000000000000000000000..f9d989fcfea88fd244cb3cf071bdfa5702eadf45
--- /dev/null
+++ b/docs/mindspore/source_zh_cn/features/view.md
@@ -0,0 +1,90 @@
+## Tensor View 机制
+
+View操作是指创建一个新的张量，该张量与原始张量共享相同的数据存储(data storage)，但具有不同的形状或排列方式。换句话说，view操作不会复制数据，而是通过不同的视角来持有现有的数据
+
+核心特点
+- 内存共享: View操作创建的新张量与原始张量共享底层数据存储
+- 零拷贝: 不进行数据复制，避免内存分配开销
+- 形状变换: 可以改变张量的形状而不改变数据内容
+
+Tensor.view()方法:
+```python
+
+import mindspore
+
+# 创建原始张量
+x = mindspore.tensor([[1, 2, 3], [4, 5, 6]])
+print("原始张量:", x)
+print("原始形状:", x.shape)
+
+# 使用view改变形状
+y = x.view(-1)  # 展平为1D张量
+print("展平后:", y)
+print("新形状:", y.shape)
+
+# 改为其他形状
+z = x.view(3, 2)  # 改为3x2张量
+print("改后:", z)
+print("新形状:", z.shape)
+```
+Tensor.view_as()方法:
+```python
+import mindspore
+
+x = mindspore.tensor([[1, 2, 3], [4, 5, 6]])
+target = mindspore.tensor([[0, 0], [0, 0], [0, 0]])
+
+# 将x改为与target相同的形状
+y = x.view_as(target)
+print("修改结果:", y)
+print("目标形状:", target.shape)
+print("结果形状:", y.shape)
+```
+
+需要注意的是:
+
+1、view操作要求张量在内存中是连续的，如果不连续，需要先调用contiguous()方法
+```python
+import mindspore
+from mindspore import ops
+
+x = mindspore.tensor([[1, 2, 3], [4, 5, 6]])
+y = mindspore.mint.transpose(x, (1, 0))  # 创建非连续张量
+
+# 检查连续性
+print("y是否连续:", y.is_contiguous())
+
+# 使用contiguous()确保连续性
+z = y.contiguous().view(-1)
+print("z是否连续:", z.is_contiguous())
+```
+
+2、view操作要求新形状的元素总数与原始张量相同
+```python
+import mindspore
+
+x = mindspore.tensor([1, 2, 3, 4, 5, 6])
+print("原始张量元素数:", x.numel())
+
+# 正确：6 = 2 * 3
+y = x.view(2, 3)
+print("改为2x3:", y)
+
+# 错误：6 ≠ 2 * 4
+try:
+    z = x.view(2, 4)
+except RuntimeError as e:
+    print("形状不匹配错误:", e)
+```
+
+view与reshape区别:
+
+view操作
+ - 严格要求连续性: View操作要求张量在内存中必须是连续的
+ - 失败机制: 如果张量不连续，view操作会抛出错误
+ - 解决方案: 需要先调用contiguous()方法
+
+reshape操作
+ - 灵活处理: reshape操作更灵活，不要求张量必须连续
+ - 自动处理: 如果张量不连续，reshape会自动创建新拷贝
+ - 始终成功: 只要形状匹配，reshape操作总是能成功
\ No newline at end of file