Nous présentons un algorithme capable de partitionner les nœuds d'un graphe pondéré dirigé ou non, en détectant la structure par blocs de sa matrice d'adjacence. Grâce à  un équilibrage doublement stochastique de cette matrice, l'intégralité de la structure par blocs est détectée à  l'aide d'un minimum de vecteurs singuliers (en théorie un couple suffit). Nous présentons les différentes étapes de notre algorithme, avant d'évaluer ses performances sur deux tâches de classification non supervisée : la détection de communautés et la détection de formes dans des nuages de points. En comparant les résultats obtenus A ceux d'autres algorithmes spécifiquement conçus pour ces tâches, nous montrons que notre algorithme est compétitif dans le cas de la détection de communauté, - ou meilleur - dans le cas de la détection de formes, par rapport aux méthodes existantes.