La factorización de matrices no negativas (NMF) es una técnica efectiva para la reducción de dimensionalidad de datos de alta dimensionalidad para tareas como el aprendizaje automático y la visualización de datos. Sin embargo, para tareas prácticas de agrupamiento, el NMF tradicional ignora la información del espacio de datos y del espacio de características, así como la información discriminativa de los datos. En este documento, proponemos un NMF semisupervisado llamado factorización de matrices no negativas con regularización de gráficos duales y discriminación de etiquetas (DCNMFLD). DCNMFLD combina la regularización de gráficos duales y la información previa de etiquetas como restricciones adicionales, aprovechando completamente las estructuras geométricas y discriminativas intrínsecas de los datos, y puede mejorar eficientemente la naturaleza discriminativa y excluyente del agrupamiento y mejorar el rendimiento del agrupamiento. La evaluación de los resultados experimentales de agrupamiento en cuatro conjuntos de datos de referencia demuestra la efectividad de nuestro nuevo algoritmo.