Los métodos de agrupamiento espectral multi-vista basados en tensores son prometedores en aplicaciones prácticas de agrupamiento. Sin embargo, la mayoría de los métodos existentes adoptan la norma para representar la dispersión de la matriz de error, y suelen ignorar la estructura global incrustada en cada vista individual, comprometiendo el rendimiento del agrupamiento. Aquí, diseñamos un método robusto de aprendizaje tensorial para el agrupamiento espectral multi-vista (RTL-MSC), que emplea la norma nuclear tensorial ponderada para regularizar el tensor esencial para explotar las correlaciones de alto orden subyacentes en múltiples vistas y adopta la norma nuclear para restringir cada corte frontal del tensor esencial como la matriz diagonal por bloques. Simultáneamente, se define una nueva norma de dispersión por columnas, es decir, , en RTL-MSC para medir el tensor de error, haciéndolo más disperso que el derivado por la norma. Diseñamos un algoritmo de optimización efectivo para resolver el modelo propuesto. Experimentos en tres conjuntos de datos ampliamente utilizados demuestran la superioridad de nuestro método.