En la última década, la agrupación de múltiples vistas ha recibido mucha atención debido a la popularidad de los datos de múltiples vistas. Sin embargo, no todas las muestras pueden ser observadas desde cada vista debido a algunos factores inevitables, lo que resulta en el problema de agrupación de múltiples vistas incompletas (IMC). Hasta ahora, la mayoría de los esfuerzos para el problema IMC se han centrado en el aprendizaje de representaciones o grafos de consenso, mientras que muchas vistas faltantes son ignoradas, lo que hace imposible capturar la información oculta en la vista faltante. Para superar esta desventaja, primero analizamos la relación de rango bajo existente dentro de cada gráfico y entre todos los gráficos, y luego proponemos un método novedoso para el problema IMC a través de la completación de tensor de gráfico de rango bajo. Específicamente, primero apilamos todos los grafos de similitud en un tensor de gráfico de tercer orden y luego explotamos la relación de rango bajo de cada modo utilizando la norma nuclear de matrices. De esta manera, la conexión oculta entre las instancias faltantes y disponibles puede ser recuperada. La representación de consenso puede ser aprendida de todos los grafos completados a través de la agrupación espectral de múltiples vistas. Para obtener el resultado óptimo de agrupación de múltiples vistas, la recuperación de gráficos incompletos y el aprendizaje de representaciones de consenso se integran en un marco conjunto para la optimización. Los extensos resultados experimentales en varios conjuntos de datos de múltiples vistas incompletas demuestran que el método propuesto puede obtener un mejor rendimiento de agrupación en comparación con los métodos de agrupación de múltiples vistas incompletas de última generación.