Los métodos de agrupamiento tradicionales a menudo son ineficaces para extraer características relevantes de espectros de infrarrojo cercano (NIR) de alta dimensión y no lineales, lo que resulta en una baja precisión en la detección de la adulteración de la leche sin lactosa. En este artículo, introducimos un modelo de agrupamiento basado en el campo angular de Gram y el manifold de profundidad convolucional (GAF-ConvDuc). El campo angular de Gram acentúa las variaciones en los picos de absorción espectral, mientras que el agrupamiento del manifold de profundidad convolucional captura características locales entre longitudes de onda adyacentes, reduciendo la influencia del ruido y mejorando la precisión del agrupamiento. Se realizaron experimentos con muestras de 2250 espectros de leche utilizando el modelo GAF-ConvDuc. En comparación con K-means, el coeficiente de silueta (SC) aumentó de 0.109 a 0.571, el índice de información mutua estandarizado (NMI) aumentó de 0.696 a 0.921, el índice de Rand ajustado (ARI) aumentó de 0.543 a 0.836, y la precisión (ACC) aumentó de 67.2% a 88.9%. Los resultados experimentales indican que nuestro método es superior a K-means, al agrupamiento de Autoencoders Variacionales (VAE) y a otros enfoques. Sin requerir datos preetiquetados, el modelo logra una mayor separación entre clústeres y límites de agrupamiento más distintos. Estos hallazgos ofrecen una solución robusta para detectar la adulteración de la leche sin lactosa, crucial para la supervisión de la seguridad alimentaria.