相似性度量研究在许多视觉任务（包括行人再识别、图像聚类和图像分类等领域）中扮演着重要的角色。为了优化其性能,基于多样化的限制条件和深度神经网络的上下文相似性度量方法成为了热门的研究方向。本文的主要工作如下:首先,考虑到在样本特征的相似性度量中缺乏对其上下文信息的利用,而导致行人再识别的重排序性能受到影响。我们利用图结构和注意力机制构造的上下文相似性度量模块来缓解行人再识别问题中重排序的问题。通过将注意力机制集成到图卷积网络中,将图模型合并到依靠初始排序的特征子集上。一方面,关于样本特征之间的上下文信息被认为是通过使用图卷积网络的聚合操作来计算其相似性。另一方面,采用了一种通道注意力机制,以增强相关特征通道的贡献,进一步增强整个网络的相似度评估能力。实验研究表明,在三个有监督信号的行人再识别数据集上,所提出的网络结构具有显著的优势。其次,在现实中大量的图片数据是没有标签信息的,并且目标类别本身存在各种变化。我们认为在网络建模中缺少对硬样本对的关注以及并类过程中相似性度量的考虑片面加剧了任务的难度。为了缓解这些问题,我们提出了一种基于多样性上下文相似性指导下逐步优化特征表达的无监督网络。通过逐步的生成优质标签来指导特征学习,进而缓解无监督学习与有监督学习之间的性能差距。实验证明该模型在无监督特征生成和图像检索任务中具有优越性。最后,由于图片的内容复杂,并且图片中多个语义对象（主体）的存在可能会迷惑了网络的训练方向,导致特征丧失可区分性。我们利用多个经典的图片数据集进行合成多主体数据集并提出了基于多样性上下文相似性度量方法的意图模型作为该问题的基本性能标准。实验证明了在不同监督信号下,意图信息都有利于目标主体的特征生成。并且监督信号能使得意图更加强烈的表达。此外,图片中目标主体的占比也会影响性能表现。