随着互联网上图像、视频等资源的快速增长，其承载信息也趋向于多样化，网络信息的收集和分析变得越来越重要。因此如何对网络上图像和视频信息进行分类成为一个亟待解决的问题，而解决该类问题的关键则在于如何学习到适合处理大规模数据间相似度的度量方式。距离度量学习是一种研究样本之间的距离度量模型的算法，使得经过度量后的样本满足同类别样本之间的距离更近，而不同类别样本之间的距离更远。近年来，距离度量学习在机器学习、模式识别和目标分类等领域都有了较成功的应用。因此，研究样本之间的距离度量学习已经成为了图像和视频分类等领域的研究核心和热点问题。　　本文首先在广泛调研文献的基础上总结了现存的距离度量学习算法，并介绍了几种常用的经典距离度量学习算法。其次结合现存度量学习应用中存在样本维度较高且特征不纯粹等特点，提出了一种基于低秩的距离度量学习算法，该算法学习一种低秩的度量矩阵将数据从原特征样本映射到一个更低维度的特征空间，在进行度量学习的同时对数据样本进行降维，有利于改进目标分类和人脸识别的性能。接下来针对距离度量学习在基于视频的动作识别领域的应用展开研究。视频中的动作识别问题常常具有特征空间类内距离较大且特征维度较高的特点，结合此特点我们采用了一种新的距离度量学习算法，在度量学习的同时对样本进行降维。本文中利用度量矩阵的Cholesky分解，将要求解的度量矩阵转换成一个低秩矩阵与它的对称阵的乘积，以期获得更好的动作识别效果。文章最后对距离度量学习中仍然存在的热点问题加以讨论并就其提出了一系列未来的研究方向。