高维数据建模在机器学习和模式识别领域是非常有价值的研究内容。高维数据在数据分析过程中存在的“维数灾难”问题制约了机器学习模型的有效介入,子空间和非负矩阵分解方法从空间变换的角度提供了一种有效策略。非负矩阵分解在无监督和半监督学习中通过改进损失函数和增加先验的方式提高算法的鲁棒性和普适性。构造了一种基于双自适应权重学习的非负矩阵分解的损失函数,分别在高维空间和低维空间上根据数据集的类结构信息进行学习,利用加权$L_{2,1}$范数提高模型鲁棒性,利用权重学习的策略学习低维空间上的相似性度量,从而获得比较好的算法鲁棒性。在Benchmark数据集和高光谱图像上的实验验证了新算法的优越性。