Con el rápido desarrollo de la ciencia y la tecnología, los datos de alta dimensión se han utilizado ampliamente en varios campos. Debido a las características complejas de los datos de alta dimensión, generalmente se distribuyen en la unión de varios subespacios de baja dimensión. En las últimas décadas, los métodos de agrupamiento de subespacios (SC) han sido ampliamente estudiados ya que pueden restaurar el subespacio subyacente de los datos de alta dimensión y realizar un agrupamiento rápido con la ayuda de la propiedad de autoexpresividad de los datos. Los métodos SC tienen como objetivo construir una matriz de afinidad mediante el coeficiente de autorrepresentación de los datos de alta dimensión y luego obtener los resultados de agrupamiento utilizando el método de agrupamiento espectral. La clave está en cómo diseñar un modelo de autoexpresividad que pueda revelar la verdadera estructura de subespacio de los datos. En esta encuesta, nos enfocamos en el desarrollo de los métodos SC en las últimas dos décadas y presentamos un nuevo criterio de clasificación para dividirlos en tres categorías basadas en el propósito del agrupamiento, es decir, SC de baja clasificación escasa, SC de preservación de estructuras locales y SC de kernel. Además, los aplicaciones de los métodos SC en reconocimiento facial, segmentación de movimiento, reconocimiento de dígitos escritos a mano y reconocimiento de emociones en el habla son introducidos. Finalmente, hemos discutido varias direcciones de investigación futuras interesantes y significativas.