Como método relativamente avanzado, el algoritmo de agrupamiento de subespacios mediante representación de bloque diagonal (BDR) será competente para realizar el agrupamiento de subespacios en un conjunto de datos si se asume que el conjunto de datos está libre de ruido y se extrae de la unión de subespacios lineales independientes. Desafortunadamente, esta suposición está lejos de la realidad, ya que los datos reales suelen estar corrompidos por varios ruidos y los subespacios de datos se superponen entre sí, lo que hace que el rendimiento de los algoritmos de agrupamiento de subespacios lineales, incluido BDR, se degrade en datos complejos reales. Para resolver este problema, diseñamos una nueva función objetivo basada en BDR, en la que se introduce la norma del error de reconstrucción para modelar los ruidos y mejorar la robustez del algoritmo. Después de optimizar la función objetivo, presentamos el algoritmo de agrupamiento de subespacios correspondiente para buscar una matriz de coeficientes de autoexpresión con una estructura de bloque diagonal para un conjunto de datos ruidoso. Se construye una matriz de afinidad basada en la matriz de coeficientes, que luego se alimenta al algoritmo de agrupamiento espectral para obtener los resultados finales de agrupamiento. Los experimentos en varios conjuntos de datos de imágenes ruidosas artificiales muestran que el algoritmo propuesto tiene robustez y un mejor rendimiento de agrupamiento que los algoritmos comparados.