不同类别数据的相似部分会降低数据的可区分度。本文将数据所在类别子空间分为共性空间和个性空间，通过去除数据在共性空间中的共性部分的影响，提升不同类别数据的差异性。在学习不同类别数据的共性空间时，本文改进了扩展到共性空间学习的GDS-S方法，提出了共性空间与个性空间学习方法(SDS)，与GDS-S方法相比，SDS方法能够同时学习共性空间和个性空间，并且增加了对个性空间差异性的衡量。最后通过实验证明改进后的方法求出的共性空间更加准确，在用于聚类时，去共性数据的聚类的效果更好。同时，本文比较了带共性数据和去共性数据构造的相似矩阵的差异。通过图像展示说明了去共性数据的相似矩阵分块性质更加明显，通过应用于谱聚类方法，证明了数据在去除共性部分的影响后，得到的相似矩阵的聚类效果提升明显。