La construcción de una matriz de similitud es un paso significativo para el algoritmo de agrupamiento espectral; mientras que la función de núcleo gaussiano es una de las medidas más comunes para construir la matriz de similitud. Sin embargo, con un parámetro de escala fijo, la similitud entre dos puntos de datos no es adaptable y apropiada para conjuntos de datos de múltiples escalas. En este documento, a través de la cuantificación del valor de la importancia para cada vértice del grafo de similitud, la función de núcleo gaussiano se escala, y se propone una medida de similitud de núcleo gaussiano adaptativa. Luego, se obtiene un algoritmo de agrupamiento espectral adaptativo basado en la importancia de los vecinos más cercanos compartidos. La idea es que cuanto mayor sea la importancia de los vecinos compartidos entre dos vértices, más probable es que estos dos vértices pertenezcan al mismo grupo; y el valor de importancia de los vecinos compartidos se obtiene con un método iterativo, que considera tanto la información estructural local como la información de similitud de distancia, para mejorar el rendimiento del algoritmo. Los resultados experimentales en diferentes conjuntos de datos muestran que nuestro algoritmo de agrupamiento espectral supera a otros algoritmos de agrupamiento espectral, como el agrupamiento espectral de autoajuste y el agrupamiento espectral adaptativo basado en vecinos más cercanos compartidos en precisión de agrupamiento en la mayoría de los conjuntos de datos.