人脸识别是一种重要的生物特征识别技术，它以采集方法简单、操作方便等优点，被广泛应用于各种身份判别领域（如人机交互、视频监控、电子护照等）。然而，人脸图像受到年龄、姿态、光照、遮挡、饰物和表情等因素的影响，使得人脸识别在计算机视觉领域仍然是一个富有挑战性的问题。度量学习的目标是学习合适的度量两个样本之间距离的函数，度量学习和线性降维技术是等价的。在人脸识别中特征维数很高，其中通常含有与人脸识别无关的信息和相关性非常高的冗余信息，这些信息通常会影响识别效果。通过线性降维技术或度量学习方法，我们可以从人脸特征中剔除不相关的信息和冗余的信息，保留对人脸识别有效的特征，从而改善识别效果。传统的度量学习方法在应用于人脸识别时会产生过拟合、对图像噪声缺乏稳健性和训练速度慢等问题。针对上述问题，本文对人脸识别中的度量学习方法进行了研究，对上述问题提出了一系列解决方案，具体包括以下几个方面：（1）基于Gabor滤波器的快速近邻成分分析：该方法是在快速近邻成分分析模型的基础上提出的。由于快速近邻成分分析模型对于高维数据会产生过拟合问题，为了缓解过拟合，我们使用PCA对数据进行降维预处理，并且在快速近邻成分分析模型中加入Frobenius正则化项。为了增加模型对人脸图像的识别效果，我们使用Gabor滤波器对人脸图像进行特征提取。（2）包含空间平滑正则化项的快速近邻成分分析：由于快速近邻成分分析模型对于图像中的噪声非常敏感，而空间平滑正则化项在图像去噪中有成功的应用，所以我们将空间平滑正则化项引入快速近邻成分分析模型，用以增强模型对图像噪声的稳健性。（3）基于二元组和三元组的支持向量机：本文首先提出了基于核分类器的度量学习框架，该框架通过学习核分类器的角度来进行度量学习，可以将很多有代表性的度量学习方法结合起来。不仅如此，我们还可以基于该框架提出新的度量学习模型。本文基于该框架分别提出了基于二元组和三元组的支持向量机模型，这两个模型可以利用现有的支持向量机工具包求解。在不损失识别精度的前提下，这两个模型的训练效率明显优于目前的大多数度量学习方法。