Hasta ahora, la mayoría de los algoritmos de agrupamiento semisupervisado se centran en encontrar una partición adecuada que satisfaga bien las restricciones dadas. Sin embargo, la información de supervisión insuficiente puede llevar a resultados de sobreajuste y un rendimiento inestable, especialmente en datos complicados. Para abordar este desafío, este documento intenta resolver el problema de agrupamiento semisupervisado mediante el autoaprendizaje de restricciones suficientes. La motivación esencial es que las restricciones pueden ser aprendidas a partir de las estructuras de vecinos locales dentro de espacios de características apropiados, y las restricciones suficientes pueden dividir directamente los datos en grupos. Por lo tanto, primero presentamos un marco de autoaprendizaje de restricciones. Realiza un procedimiento de maximización de la esperanza de forma iterativa entre explorar un espacio discriminante y aprender nuevas restricciones. Luego, se propone un algoritmo de agrupamiento basado en restricciones aprovechando restricciones suficientes. Estudios experimentales en varios conjuntos de datos de referencia del mundo real muestran que el algoritmo propuesto logra un rendimiento prometedor y supera a los algoritmos de agrupamiento semisupervisado de última generación.