La técnica de descomposición ortogonal adecuada (POD) es ampliamente utilizada para reducción de dimensionalidad lineal, pero a menudo no logra capturar características críticas en flujos no lineales complejos. En contraste, los métodos de agrupamiento son efectivos para la extracción de características no lineales, sin embargo, su aplicación en métodos de reducción de dimensionalidad se ve obstaculizada por una inicialización de agrupamiento inestable y una clasificación de modos ineficiente. Para abordar estos problemas, proponemos un método de reducción de dimensionalidad basado en agrupamiento guiado por estructuras POD (C-POD), que utiliza un preprocesamiento POD para estabilizar la selección de centros de agrupamiento. Además, presentamos un método de mapeo de Euclidiano a probabilidad controlado por entropía (ECEPM) para mejorar la clasificación de modos y evaluar la importancia de los modos. El enfoque C-POD se evalúa utilizando la ecuación de Burgers unidimensional y un flujo de estela cilíndrica bidimensional. Los resultados muestran que C-POD logra una mayor precisión en la reducción de dimensionalidad que POD. Sus modos dominantes capturan más dinámicas temporales, mientras que los modos de orden superior ofrecen una mejor interpretabilidad física. Al resolver un problema inverso utilizando datos de sensores dispersos, el método Gappy C-POD mejora la precisión de reconstrucción en un 19.75% y mejora el límite inferior de la capacidad de reconstrucción en un 13.4% en comparación con Gappy POD. En general, C-POD demuestra un fuerte potencial para modelar y reconstruir campos de flujo no lineales complejos, proporcionando una herramienta valiosa para métodos de reducción de dimensionalidad en dinámica de fluidos.