度量学习旨在学习一个映射函数,利用该函数将样本从原始的高维空间投影到低维空间中,使具有相似语义的两个样本在低维空间中靠近,反之则远离。度量学习是机器学习领域中的重要分支,被广泛用于处理图像分类、图像检索、人脸识别等计算机视觉任务。近年来,度量学习受到广泛关注,大量算法被相继提出,但仍存在过拟合、数据类型单一、可解释性差等缺陷。本文着眼于特征关系挖掘,通过理论创新解决现有研究工作中存在的缺陷。本文的主要创新工作概括如下:·提出一种多视角度量学习算法,该算法着眼于挖掘视角之间的互补关系从而提升单视角度量的可靠性。近年来,多视角学习受到广泛关注,这得益于它能够提取不同统计下的数据属性。然而,现有的度量学习算法大多针对单视角且有标签的数据,少量标签下的多视角度量学习仍具有挑战。为了解决该问题,本文提出了一种自适应图加权算法来处理半/无监督多视角度量学习任务。具体地,该算法为每个视角构建了一个无向权重图,并将多视角的融合图近似地视为这些单视角图的质心。值得注意的是,该算法能够在一个框架下同时处理半监督和无监督多视角度量学习任务。实验表明,在不同的数据集上,该算法显著优于现有的单视角度量学习算法。·提出一种零投度量学习算法,该算法着眼于挖掘样本之间的多种非线性关系从而实现可迁移的度量学习。虽然多视角度量学习算法能够有效地融合多视角信息,但它以实验条件为前提,即在分布相似的两个数据集上分别进行模型的训练和评估,这限制了度量学习实用场景。为了解决该问题,本文提出了一种新的度量学习任务——零投度量学习,即将优化好的模型用于预测没有见过的类别乃至没有见过的数据集。为了实现零投度量学习任务,本文提出了一种基于多重非线性关系挖掘和回归损失的零投度量学习算法。该算法受到两个事实的推动:（1）从多个角度描述的关系更稳定;（2）视觉相似性是连续的。因此,该算法利用一组特定形状的卷积核来挖掘成对数据之间的多重非线性关系。此外,该算法利用回归损失来拟合预测相似性和连续标签之间的关系曲线。实验表明,该算法能够在两种迁移任务,即迁移到未见过的类别和未见过的数据集上,获得优异的性能。·提出一种深度非对称度量学习算法,该算法着眼于挖掘丰富的样本对关系从而缓解模型的过拟合问题。虽然多视角度量学习算法和零投度量学习算法在一定程度上解决了少量标签的多视角数据的度量难题和度量模型的可迁移难题,但它们皆属于浅层度量学习算法,其依赖手动设计的特征,不能处理大规模复杂数据的度量学习任务。因此,该算法关注深度度量学习。深度度量学习的一个主要研究方向是困难样本挖掘,然而,基于困难样本挖掘的方法仅依赖一小部分数据,容易过拟合。本文提出一种基于丰富关系挖掘的深度非对称度量学习算法,该算法旨在在一定采样规模下挖掘更丰富的成对样本之间的关系。具体地,该算法构造了两个结构不同且长度不等的非对称数据流。非对称结构使两个数据流相互交错,使得模型在迭代过程中接收源源不断的新数据对。为了进一步提升模型的泛化能力,该算法放宽了对类内关系的约束。特别地,该算法弃用了传统的正样本对约束策略——贪婪地约束所有可能的正样本对,只约束类内差异较小的正样本对。为了实现该目标,该算法为每个类别构建最小成本生成树,正样本对在树中被直接或间接相连,而该算法只约束直接相连的正样本对。实验表明,该算法在少量的采样规模条件下,学习到了更为鲁棒的度量模型。·提出一种深度分组度量学习算法,该算法着眼于挖掘多组特征的组内和组间关系从而提升模型性能。虽然深度非对称度量学习算法能够缓解深度度量模型的过拟合问题,但它仅在单个嵌入空间中学习样本的表示,导致维度饱和问题。因此,本文关注深度分组度量学习,在多个嵌入空间中学习样本的表示。特别地,本文设计了一种基于注意力机制的可解释深度分组度量学习算法。该算法将注意力机制中的查询设计为多个参数向量,其中每个向量用于生成一组特征表示。值得注意的是,查询是完全可训练的,在与组间多样性损失结合时,它可以捕获特定于组的语义信息。该算法的显著优势是它自然地赋予了模型可解释性,即查询向量和每个空间位置之间的注意力分数可以解释为该位置的重要性。此外,该算法证明了由所提出的分组模块学到的特征空间对输入样本具有转置不变性,当其用作卷积神经网络中的模块时,模型具有平移不变性。实验表明,相比于同类已有算法,本算法能够提升模型在检索和聚类任务上的性能;此外,该算法的可视化结果清楚地解释了各组表示所学习到的语义信息。