亲属关系识别作为图像处理、计算机视觉研究中的一项有趣兼具挑战性的分支,在寻找失踪儿童、构建家庭相册、社交媒体分析、图片自动标注等众多领域中都具有潜在的应用价值。近年来亲属关系识别研究得到了学术界广泛的关注并取得了长足的进步。基于图像处理的亲属识别算法一般包含两个模块:特征提取和亲属分类。这两个阶段通常是分离的,提取出来的特征可能对于分类任务并不具备一定的判别性,与此同时,单个特征对于亲属图像的特征表示不够充分。为了解决以上问题,本文首先提出一种采用神经网络的端对端学习模型,即将特征提取和分类阶段融合起来构成一个任务驱动型的网络,同时加入新的损失函数对特征进行约束。其次,为了建立更具判别力的亲属特征表示,本文提出一种基于多特征融合的神经网络模型,即对多种特征进行融合优化。具体概述如下:(1)本文提出采用角度损失神经网络的亲属识别算法。该算法基于卷积神经网络提取目标图像对的深度特征,不同于提取传统手工设计的特征,本算法通过基于任务学习的端对端神经网络学习分类判别性强的特征,使得目标的信息表示更加丰富。此外,我们在算法中增加了角度损失函数,使其对处理分类时非亲属之间面部特征很相像的问题更加鲁棒。通过采用角度损失函数将用于分类的特征从欧式空间映射到超球体上,这更符合人脸位于非线性流形域上的分布,同时通过参数的限制使得类内距离更小,类间距离更大,学习到更具判别性、更有利于亲属关系分类的特征,通过在多个亲属识别数据集上的实验结果验证了本算法的有效性。(2)本文接着提出了一种基于多特征融合神经网络的亲属识别算法。该算法对多个特征提取器提取到的人脸特征进行深层次的非线性融合,从而得到具有丰富信息、更鲁棒的亲属识别特征。特征提取器可以是传统的人工设计的低层特征,也可以是深度神经网络获取到的高层特征,其中每个特征对于解决亲属识别中的某一类问题比较有效,如光照、姿势变换等。通过神经网络的全连接层和非线性激活层可以有效的融合多个特征的相似性和互补性,使得神经网络学习到融合各个特征,不同层次的通用丰富语义特征,并且在多个亲属识别数据集上的实验结果验证了本算法的有效性。