Cet article présente un algorithme de subspace clustering , dont la fonction de coût similaire aux c-moyennes floues fait apparaître une distance euclidienne pondérée et un terme de pénalité non-différentiable. Cet algorithme s'appuie sur le cadre théorique de l'optimisation par des-cente proximale qui permet d'établir l'expression d'un terme de mise à jour pour cette fonction de coût. Un nou-vel algorithme, nommé PFSCM, est présenté, qui combine descente proximale et optimisation alternée. Les ex-périences réalisées sur des données artificielles montrent la pertinence de l'approche considérée.