本文研究在非约束环境下的陌生人脸认证问题。非约束环境,即人脸认证的表现试图做到不受光照、人脸姿态的影响。陌生人脸认证,即给定两张在训练集中从未出现过的人的人脸照片,判断这一对照片,是否代表同一个人。即陌生人脸图片对的匹配问题。这一问题的理论价值在于,对陌生人脸认证问题的解决,能帮助解决许多其他人脸认证相关问题。如安保中的犯罪人脸辨识,可以将搜寻嫌疑人身份的问题转化为将嫌疑人人脸照片与数据库中所有人逐个进行陌生人脸配对的问题。这一问题的应用价值在于,如果能够做到在非约束环境下,即光照姿态无关的情况下识别未经训练的陌生人脸图片对,就能为人脸识别技术扩展应用场景,并增强鲁棒性。如,在智能家庭电视环境下,只要客人出现在电视机周围第二次,就能记得此人上次曾经造访过,并打招呼,而不必进行登记注册等繁琐过程,更显人性化。这一问题本身的特性在于,由于测试集中的人完全不会出现在训练集中,且潜在要求配对判断的总测试样本可能远大于训练集,因此很难通过对同一个人具体的面部特征进行建模从而识别,而是要像人一样直接将两幅图片进行比对。也即需要学到一把衡量人脸的“尺子”。这被称之为度量学习。研究这一问题的难点在于,其一,对人脸共同特质的有效提取和学习；其二,对样本中不同人的人脸照片共有特性的忽略；其三,对样本中同一个人在不同照片中差异性的鲁棒性；其四,在非约束环境下对其一到其三的有效实现。本文对其展开研究的主要步骤是,在前人工作的基础上,以相似度度量学习为计算量副人脸图片距离的主要思路,先从预处理的角度采用基于SIFT特征的图片融合算法Congealing,进行无监督的图片对齐,降低人脸姿态对人脸认证的影响。尔后,对图片直接计算SIFT特征,用PCA降维后,再用GMM压缩后,计算马氏距离矩阵所对应的投影矩阵,将高维的图片特征向量投影为低维的特征向量,并采用线性SVM对由两张图片的低维向量的差组成的特征点进行分类,实现对陌生人连认证问题的解决。经过实验验证,相对于基准算法Nowak[75]提出的度量学习方法有一定程度的性能提升。当然另一方面相比于当前成果的前沿仍存在进步空间。