En los métodos convencionales de agrupamiento de subespacios, el aprendizaje de matriz de afinidad y los algoritmos de agrupamiento espectral son ampliamente utilizados para tareas de agrupamiento. Sin embargo, estos pasos enfrentan problemas, incluyendo alto consumo de tiempo y complejidad espacial, lo que hace que las tareas de agrupamiento de subespacios a gran escala sean desafiantes de ejecutar de manera efectiva. Para abordar estos problemas, proponemos un método de agrupamiento de subespacios a gran escala basado en aprendizaje de tensor de kernel puro (PKTLSC). Específicamente, diseñamos un método de aprendizaje de tensor de kernel puro (PKT) para adquirir la mayor cantidad de información de características de datos posible mientras se garantiza la robustez del modelo. A continuación, extraemos un pequeño conjunto de datos de muestra del conjunto de datos original y utilizamos PKT para aprender su matriz de afinidad mientras entrenamos simultáneamente un codificador profundo. Finalmente, aplicamos el codificador profundo entrenado al conjunto de datos a gran escala original para obtener rápidamente su representación de codificación dispersa de proyección y realizar el agrupamiento. A través de experimentos extensos en conjuntos de datos reales a gran escala, demostramos que el método PKTLSC supera a los métodos de LSC existentes en rendimiento de agrupamiento.