El clustering multivista demuestra un alto rendimiento en varias aplicaciones del mundo real. Sin embargo, los datos del mundo real a menudo contienen vistas incompletas y desacopladas. Las vistas faltantes pueden llevar a la pérdida de información latente, y las vistas desacopladas crean obstáculos para el aprendizaje entre vistas. Los métodos existentes rara vez consideran datos multivista incompletos y desacoplados simultáneamente. Para abordar estos problemas, se propone un método novedoso llamado Clustering Multivista Incompleto y Desacoplado basado en Tensor (TUIMC) para manejar de manera efectiva datos incompletos y desacoplados. Específicamente, el método propuesto recupera muestras faltantes en un espacio de características de baja dimensión. Posteriormente, las matrices de autorrepresentación se emparejan con las vistas óptimas a través de matrices de permutación. Las matrices de autorrepresentación acopladas se integran en un tensor de tercer orden para explorar información de alto orden de datos multivista. Se diseña un algoritmo eficiente para resolver el modelo propuesto. Los resultados experimentales en cinco conjuntos de datos de referencia ampliamente utilizados muestran que el método propuesto exhibe un rendimiento de clustering superior en datos multivista incompletos y desacoplados.