从给定输入数据中提取特征是机器学习成功应用的关键[8]。特征学习寻求从输入数据到(通常是实数值的)特征向量的最优转换,该特征向量可以作为学习问题的输入。常见的特征学习方法包括字典学习、维度约减、流形学习、距离度量学习、神经网络等。距离度量学习作为特征学习的子领域,可以根据不同的任务自主学习出特定的度量距离函数,进而提高基于相似度的学习器(如k近邻)的学习能力,近年来得到广泛关注。同时,机器学习领域的进展促使政府和企业将其部署在自动化系统中,如无人驾驶、自动交易系统等,这些应用要求算法在复杂环境下对已知和未知情况都能保证鲁棒性[9][10]。本文考虑了现实中的复杂情况,在不同情形下对距离度量学习做出以下研究:1.考虑复杂环境下样本上可能有的噪音或扰动会改变其间的关系,影响到学得的度量矩阵,本文提出在学习度量矩阵的同时近似样本上的噪音,得到了更鲁棒的学习算法。2.针对复杂环境下物体联系的多样性,本文给出一种考虑样例上多种度量关系的统一框架。该框架通过引入操作子灵活刻画了样例间的关系,不仅考虑了样本间的空间关系度量,还表达出样本间的语义联系。此外,该框架还可以转化为其他已有的度量学习算法。3.对于复杂环境下常常会面临的资源受限情况,本文提出结合距离度量学习与特征选择。特征选择可以过滤与学习任务无关的特征,减小了后续距离度量学习的计算量,有效提高了算法效率。本文在实验避分别从特征选择和距离度量两个方面验证了其优越性。