La factorización de matrices no negativas (NMF) es un método eficiente para el aprendizaje de características en el campo del aprendizaje automático y la minería de datos. Para investigar las características no lineales de los conjuntos de datos, la NMF basada en métodos de núcleo (KNMF) y sus extensiones regularizadas por gráficos han recibido mucha atención de varios investigadores debido a su prometedor rendimiento. Sin embargo, la matriz de similitud gráfica de los métodos existentes a menudo se predefine en el espacio original de los datos y se mantiene sin cambios durante el procedimiento de factorización de matrices, lo que conduce a gráficos no óptimos. Para abordar estos problemas, proponemos un método de factorización de matrices no negativas y no lineales basado en el aprendizaje de gráficos de núcleo en este documento, denominado factorización de matrices no negativas de gráficos de núcleo adaptativo (AKGNMF). Con el fin de capturar automáticamente la estructura de variedad de los datos en el espacio de características no lineales, AKGNMF aprendió un gráfico de similitud adaptativo. Formulamos una función objetivo unificada, en la que el aprendizaje del gráfico de similitud global se optimiza conjuntamente con el proceso de descomposición de matrices. Se impone además un Laplaciano gráfico local en la representación del subespacio de características aprendidas. El método propuesto se basa tanto en la factorización que respeta la estructura geométrica como en las representaciones de características de subespacio de alta dimensión mapeadas. Además, se derivó una solución iterativa eficiente para actualizar todos los variables en el problema objetivo resultante por turnos. Los experimentos en el conjunto de datos sintético demuestran visualmente la capacidad de AKGNMF para separar el conjunto de datos no lineal con alta precisión de agrupamiento. Los experimentos en conjuntos de datos del mundo real verificaron la efectividad de AKGNMF en tres aspectos, incluyendo rendimiento de agrupamiento, sensibilidad a parámetros y convergencia. Los hallazgos experimentales comprensivos indican que, en comparación con varios métodos clásicos y los métodos de última generación, el algoritmo AKGNMF propuesto demostró efectividad y superioridad.