Le regroupement en ensemble (ensemble clustering) a attiré une attention croissante dans le domaine de l’apprentissage automatique et du data mining en raison de ses performances élevées dans les tâches de clustering. Le clustering spectral est l’une des méthodes de clustering les plus populaires et se distingue par de meilleures performances par rapport aux méthodes traditionnelles de clustering. Les méthodes existantes de clustering en ensemble utilisent généralement directement les résultats de clustering fournis par les algorithmes de clustering de base, ce qui ne permet pas d’exploiter efficacement les structures intrinsèques des données mises en évidence par les opérateurs laplaciens graphiques dans le cadre du clustering spectral, entraînant ainsi des résultats de clustering insatisfaisants. Dans cet article, nous proposons une nouvelle méthode d’apprentissage en ensemble pour les algorithmes de clustering basés sur le clustering spectral. Contrairement à l’utilisation directe des résultats de clustering issus de chaque algorithme de clustering spectral de base, la méthode proposée apprend une représentation robuste du laplacien graphique par apprentissage en ensemble à partir des embeddings spectraux fournis par chaque algorithme de base. Enfin, la méthode applique l’algorithme k-means sur l’embedding spectral obtenu à partir du laplacien graphique appris afin d’obtenir les clusters. Les résultats expérimentaux sur des jeux de données synthétiques et réels démontrent que la méthode proposée surpasse les autres méthodes existantes de clustering en ensemble.