La descomposición de Tucker no negativa (NTD) es un método no supervisado y se ha extendido en muchos campos aplicados. Sin embargo, NTD no hace uso de la información de etiqueta de los datos de muestra, a pesar de que dicha información de etiqueta está disponible. Para remediar este defecto, en este artículo proponemos un método de NTD con restricción de etiqueta, llamado NTD Discriminativo (DNTD), que considera una fracción de la información de etiqueta de los datos de muestra como una restricción discriminativa. Diferente de otros métodos basados en etiquetas, el método propuesto obliga a que los datos de muestra con la misma etiqueta se alineen en el mismo eje o línea. Combinando el NTD y el término de restricción discriminativa de etiquetas, DNTD no solo puede extraer la representación basada en partes del tensor de datos, sino que también mejora la capacidad discriminativa del NTD. Se proporciona un algoritmo de actualización iterativa para resolver la función objetivo de DNTD. Finalmente, el método DNTD propuesto se aplica a la agrupación de imágenes. Los resultados experimentales en los conjuntos de datos ORL, COIL20, Yale muestran que la precisión de agrupación de DNTD se mejora en un 8.47-32.17% y la información mutua normalizada se mejora en un 10.43-29.64% en comparación con los enfoques más avanzados.