Le regroupement spectral est l'une des méthodes de clustering les plus populaires. Cependant, le problème de trouver un équilibre entre l'efficacité et l'efficience du regroupement spectral à grande échelle avec des ressources informatiques limitées n'a pas été résolu de manière adéquate depuis longtemps. Dans cet article, nous proposons une méthode de regroupement spectral à grande échelle basée sur une approche diviser-pour-régner afin d'atteindre un bon compromis entre efficacité et efficience. Dans la méthode proposée, un algorithme de sélection de points de repère basé sur une approche diviser-pour-régner et une nouvelle approche de matrice de similarité approximative sont conçus pour construire une matrice de similarité creuse avec des complexités computationnelles faibles. Ensuite, les résultats du clustering peuvent être calculés rapidement grâce à un processus de partitionnement de graphe biparti. La méthode proposée atteint une complexité computationnelle inférieure à celle de la plupart des méthodes existantes de regroupement spectral à grande échelle. Les résultats expérimentaux sur dix ensembles de données à grande échelle ont démontré l'efficacité et l'efficience de la méthode proposée. Le code MATLAB de la méthode proposée ainsi que les ensembles de données expérimentaux sont disponibles à l'adresse suivante : https://github.com/Li-Hongmin/MyPaperWithCode.