En este artículo, proponemos un algoritmo de aprendizaje de grupos de características latentes (LFGL) para descubrir las estructuras de agrupamiento de características y los clústeres de subespacios para datos de alta dimensión. Las estructuras de agrupamiento de características, que se aprenden de manera analítica, pueden mejorar la precisión y eficiencia del agrupamiento de datos de alta dimensión. En el algoritmo LFGL, se utiliza el proceso evolutivo darwiniano para explorar las estructuras óptimas de agrupamiento de características, que se codifican como cromosomas en el algoritmo genético. El algoritmo de k-means ponderado por agrupamiento de características se utiliza como la función de aptitud para evaluar los cromosomas o estructuras de agrupamiento de características en cada generación de evolución. Para manejar mejor las densidades diversas de los clústeres en datos de alta dimensión, el k-means ponderado por agrupamiento de características original se revisa con la medida de disimilitud basada en la masa en lugar de la medida de distancia euclidiana y los pesos de las características se optimizan como un problema de factorización de matriz no negativa bajo la restricción ortogonal de la matriz de pesos de características. Las operaciones genéticas de mutación y cruce se utilizan para generar los nuevos cromosomas para la siguiente generación. En comparación con los algoritmos de agrupamiento bien conocidos, el algoritmo LFGL produjo resultados experimentales alentadores en conjuntos de datos del mundo real, lo que demostró el mejor rendimiento de LFGL al agrupar datos de alta dimensión.