Ce document se concentre sur la scalabilité et la robustesse du clustering spectral pour des ensembles de données d'échelle extrêmement large avec des ressources limitées. Deux nouveaux algorithmes sont proposés, à savoir le clustering spectral ultra-scalable (U-SPEC) et le clustering par ensemble ultra-scalable (U-SENC). Dans U-SPEC, une stratégie hybride de sélection de représentants et une méthode d'approximation rapide pour les K-représentants les plus proches sont proposées pour la construction d'une sous-matrice d'affinité creuse. En interprétant cette sous-matrice creuse comme un graphe biparti, le cut de transfert est ensuite utilisé pour partitionner efficacement le graphe et obtenir le résultat de clustering. Dans U-SENC, plusieurs clusterers U-SPEC sont intégrés dans un cadre de clustering par ensemble afin d'améliorer la robustesse de U-SPEC tout en maintenant une haute efficacité. Sur la base de la génération d'ensembles via plusieurs U-SEPC, un nouveau graphe biparti est construit entre les objets et les clusters de base, puis partitionné efficacement pour obtenir le résultat de clustering par consensus. Il convient de noter que tant U-SPEC que U-SENC présentent une complexité temporelle et spatiale quasi-linéaire, et sont capables de partitionner robustement et efficacement des ensembles de données non linéairement séparables à l'échelle du million d'objets sur un PC doté de 64 Go de mémoire. Des expériences menées sur divers ensembles de données à grande échelle ont démontré la scalabilité et la robustesse de nos algorithmes. Le code MATLAB et les données expérimentales sont disponibles à l'adresse suivante : https://www.researchgate.net/publication/330760669.