机器学习的火热发展和计算机科技的进步，使得机器学习算法在计算机视觉领域取得了重大的进步。距离度量学习作为经典的机器学习方法在人脸识别、物体分类、材料分类等众多计算机视觉领域有着广泛的应用。同时，随着信息获取技术的飞速发展，数据的收集能力和表达形式变得越来越多样化。数据的爆炸式增长推动了机器学习算法的进步，大规模精确标注的数据在很大程度上提高了各种机器学习算法和模型的上限，但同时也增加了数据标注的难度和成本；而相比传统的单一视角的数据，多视角数据往往蕴含着更多的有用信息。通过对不同视角信息的分析整合，往往可以得到更加精确的分类结果，而目前大多数研究都更侧重于单一视角下数据信息的挖掘。因此，本次选题的意义旨在探索实现不同视角下各类数据的回归度量学习以及如何通过人机协同的方式降低大规模数据的标注成本。
　　针对多视角与人机协同的关系对齐度量学习问题，本文从两个方面分别提出了度量学习方法。主要包括：多视角数据关系对齐回归度量学习方法，基于人机协同的度量学习方法。本文的主要研究成果和创新性工作有如下几个方面：
　　1.受模式识别中的稀疏编码方式的启发，我们采用了字典学习的方式对多视角数据进行联合学习。在编码阶段，每一个视角下的特征由相关的字典表示，并对其采用联合正则的约束，增强了不同特征之间的关联性。通过联合学习得到一个通用的马氏距离的矩阵，来对数据进行分类处理。每种视角对于分类结果影响程度不同，所以我们在整合多视角数据的时候可以对得到的距离结果综合考虑，得到最为优化的分类结果。
　　2.我们方法的前提是基于一个已有的完整标记的小型数据库。我们使用这些小部分已标记数据训练一个初步的度量学习模型和支持向量机(SVM)的模型，在处理未标记数据时使用SVM筛选出一小部分模型最难分辨的样本，通过人工标记难度较高的样本来改进学习模型。最终通过多次迭代，以少量人工成本标记完未知数据。