Los algoritmos de agrupamiento multi-vista basados en la factorización de matrices han experimentado un enorme desarrollo en los últimos años. Aunque estos algoritmos han obtenido resultados impresionantes, suelen pasar por alto las estructuras espaciales que la representación de datos latentes debería tener, por ejemplo, la representación ideal de datos posee una estructura de bloque al igual que la matriz indicadora. Para abordar este problema, se propone un nuevo algoritmo llamado factorización de matrices semi-no negativas latentes multi-vista con restricción de diagonal de bloque (LMSNB). Primero, se combinan el aprendizaje de representación latente y Semi-NMF para obtener una representación de menor dimensión con información consistente de diferentes vistas. En segundo lugar, la restricción de diagonal de bloque es capaz de capturar la estructura global de los datos originales. Además, se considera la regularización de gráficos en nuestro modelo para preservar la estructura local. LMSNB puede manejar matrices de datos negativas y aplicarse a más campos. Aunque la representación de baja dimensión de la factorización de matrices semi-no negativas pierde cierta información valiosa, aún tiene la misma estructura que los datos originales con la ayuda de la restricción de diagonal de bloque y la regularización de gráficos. Finalmente, se propone un algoritmo de optimización iterativo para nuestro problema objetivo. Los experimentos en varios conjuntos de datos de referencia multi-vista demuestran la efectividad de nuestro enfoque frente a otros métodos de vanguardia.