La factorización de matriz no negativa (NMF) semisupervisada ha logrado resultados exitosos debido a la notable capacidad de reconocimiento de imágenes con una pequeña cantidad de información etiquetada. Sin embargo, aún existen problemas por resolver, como la información de interconexión que no se explora completamente y el ruido mixto inevitable en los datos, lo que deteriora el rendimiento de estos métodos. Para superar este problema, proponemos un método semisupervisado novedoso llamado DLRGNMF. En primer lugar, el espacio latente dual se caracteriza por la matriz de afinidad para reflejar explícitamente la interrelación entre las instancias de datos y las variables de características, lo que puede explotar la información de interconexión global en el espacio dual y reducir los impactos adversos causados por el ruido y la información redundante. En segundo lugar, incorporamos el mecanismo de regularización de la variedad en el grafo dual para mantener de manera constante la estructura de la variedad local del espacio dual. Además, la dispersión y la condición biortogonal se integran para restringir la factorización de matrices, lo que puede mejorar enormemente la precisión y la robustez del algoritmo. Por último, se propone un método efectivo de actualización iterativa alternante y se optimiza el modelo. La evaluación empírica en nueve conjuntos de datos de referencia demuestra que DLRGNMF es más efectivo que los métodos competitivos.