人脸分析一直以来都是计算机视觉和模式识别领域研究的热点问题之一。人脸分析通过对人脸图像进行分析来获得身份、年龄、性别、表情等关键信息。常见的人脸分析任务包括人脸识别、亲属关系验证等。这些任务一般有两个重要的组成部分:1)用于对图像进行描述的特征;2)衡量特征之间相似性的度量函数。然而,传统的度量没有充分利用训练样本集的先验知识,不能有效地反映出样本之间的关系,往往不能取得理想的效果。度量学习通过对训练样本的信息加以利用学习一个度量矩阵,使得在经过度量矩阵变换过的新度量空间中,同类样本之间的距离更近,而不同类样本之间的距离更远,从而可以有效地将不同类别的样本进行区分。因此,研究度量学习在人脸分析中的应用具有重要的研究价值和实际意义。本文的主要工作如下:首先,广泛调研和总结了现有的度量学习算法,重点介绍了有监督、无监督和半监督三种不同学习方式的度量学习算法的原理及经典算法。其次,针对传统的基于成对约束的度量学习算法通常采用固定阈值来约束样本对之间的距离,以及学习到的度量矩阵秩过高等问题,提出了基于低秩约束的自适应度量学习算法。该算法在使用自适应阈值约束样本间距离的同时,保证度量矩阵的秩最小化。在UCI数据集和两个人脸数据集上的实验验证了所提出算法的有效性。此外,针对现有度量学习应用中使用过多特征导致容易受冗余特征影响等问题,提出了稀疏相似度度量学习算法。该算法在采用稀疏正则化项对所依赖的特征进行限制的同时,使用半正定约束保证所学习到的度量矩阵更加平滑。由于将不同的特征进行融合能提供更丰富的人脸描述信息,所以我们将所提出的算法进一步扩充为一种多特征融合的度量学习算法。并在两个人脸数据集和两个亲属人脸数据集上进行实验,验证了所提出算法的有效性。