La Matrice d'Interaction de Forme (Shape Interaction Matrix, SIM) est l'une des premières approches utilisées pour effectuer le clustering de sous-espaces (c'est-à-dire séparer les points tirés d'une union de sous-espaces). Dans cet article, nous revisitons la SIM et révélons ses connexions avec plusieurs méthodes récentes de clustering de sous-espaces. Notre analyse nous permet de dériver un algorithme simple mais efficace pour robustifier la SIM et la rendre applicable à des scénarios réalistes où les données sont corrompues par du bruit. Nous justifions notre méthode par des exemples intuitifs et la théorie des perturbations matricielles. Nous montrons ensuite comment cette approche peut être étendue pour gérer les données manquantes, ce qui donne lieu à un algorithme de clustering de sous-espaces efficace et général. Nous démontrons les avantages de notre approche par rapport aux méthodes actuelles de clustering de sous-espaces sur plusieurs problèmes complexes de segmentation de mouvement et de clustering facial, où les données incluent des mesures corrompues et manquantes.