Este documento propone un nuevo método robusto de aprendizaje de un subespacio común latente (RLCSL) al integrar restricciones de baja dimensionalidad y dispersión en un marco de aprendizaje conjunto. Específicamente, transformamos los datos de los dominios fuente y objetivo en un subespacio común latente para realizar la reconstrucción de datos, es decir, los datos fuente transformados se utilizan para reconstruir los datos objetivo transformados. Imponemos restricciones conjuntas de baja dimensionalidad y dispersión en la matriz de coeficientes de reconstrucción que pueden lograr los siguientes objetivos: (1) los datos de diferentes dominios pueden ser entrelazados mediante el uso de la restricción de baja dimensionalidad; (2) los datos de diferentes dominios pero con la misma etiqueta pueden ser alineados juntos mediante el uso de la restricción de dispersión. De esta manera, la nueva representación de características en el subespacio común latente es discriminativa y transferible. Para aprender un clasificador adecuado, también integramos el aprendizaje del clasificador y el aprendizaje de la representación de características en un objetivo unificado y, por lo tanto, la etiqueta semántica de alto nivel (etiqueta de datos) se utiliza completamente para guiar el proceso de aprendizaje de estas dos tareas. Se realizan experimentos en diversos conjuntos de datos para clasificaciones de imágenes, objetos y documentos, y los alentadores resultados experimentales muestran que el método propuesto supera a algunos métodos de última generación.