La agrupación de núcleos de datos categóricos es una herramienta útil para procesar conjuntos de datos separables y ha sido empleada en muchas disciplinas. A pesar de los esfuerzos recientes, los métodos existentes para la agrupación de núcleos siguen siendo un desafío significativo debido a la suposición de independencia de características y pesos iguales. En este estudio, proponemos un algoritmo de agrupación de subespacios de núcleos autoexpresivos para datos categóricos (SKSCC) utilizando el esquema de estimación de densidad de núcleo autoexpresivo (SKDE), así como una nueva medida de similitud no lineal ponderada por características. En el algoritmo SKSCC, proponemos un método efectivo de optimización no lineal para resolver la función objetivo del algoritmo de agrupación, que no solo considera la relación entre atributos en un espacio no lineal, sino que también asigna un peso a cada atributo en el algoritmo para medir el grado de correlación. Una serie de experimentos en algunos conjuntos de datos sintéticos y del mundo real ampliamente utilizados demostraron la mayor efectividad y eficiencia del algoritmo propuesto en comparación con otros métodos de vanguardia, en términos de exploración de relaciones no lineales entre atributos.