La regresión de mínimos cuadrados (LSR) es un método efectivo que se ha utilizado ampliamente para la agrupación de subespacios. Bajo las condiciones de subespacios independientes y datos libres de ruido, las matrices de coeficientes pueden satisfacer estructuras de bloque diagonal forzado (EBD) y lograr buenos resultados de agrupación. Más importante aún, LSR produce soluciones cerradas que son más fáciles de resolver. Sin embargo, las soluciones con propiedades de bloque diagonal que se han resuelto utilizando LSR son sensibles al ruido o la corrupción, ya que son frágiles y se destruyen fácilmente. Además, al utilizar conjuntos de datos reales, estas estructuras no siempre pueden garantizar resultados de agrupación satisfactorios. Teniendo en cuenta que la representación de bloque diagonal tiene un excelente rendimiento de agrupación, la idea de restricciones de bloque diagonal se ha introducido en LSR y se ha propuesto un nuevo método de agrupación de subespacios, que se llama regresión de mínimos cuadrados de bloque diagonal (BDLSR). Al utilizar un regularizador de bloque diagonal, BDLSR puede reforzar de manera efectiva las estructuras de bloque diagonal frágiles de las matrices obtenidas y mejorar el rendimiento de agrupación. Nuestros experimentos utilizando varios conjuntos de datos reales ilustraron que BDLSR produjo un mayor rendimiento de agrupación en comparación con otros algoritmos.