关系网络作为深度度量学习的一个重要方法,在图像分类、关系分析等任务中都有着十分广泛的应用。本质上来讲,关系网络的目的是训练一个深度神经网络,来自动寻找适合的特征空间和距离度量函数,进而实现样本之间的相似度判断。关系网络模型的研究主要分为两个方面:模型的网络结构与模型参数。通过对数据的特性进行分析,前者可以得到很好的解决,而后者需要针对性地设计优化算法才能实现。通常,当针对问题的特性设计了适宜的关系网络模型后,模型参数优化的成功与否取决于学习目标与任务是否一致,即设计合适的损失函数来衡量网络输出和真实标签之间的差异。本文利用关系网络来解决零样本学习任务与亲属关系验证任务,并针对任务特性对关系模型网络结构及参数更新进行深入研究。在实际应用中,零样本学习模型可以识别从未见过的类别,其思想可以有效的解决数据缺失的问题。而亲属关系验证对失踪人口确认、社交媒体分析等问题有着重要作用。两者都具有极高的潜在研究价值。（1）针对零样本学习任务,可以通过关系网络建立视觉图像和类别语义描述的关系,进而依据关系的亲疏远近判断样本的类别。本文将零样本学习视作一个跨模态度量问题,并设计了名为类原型判别网络的深度度量模型。同时,为了获取一个具有判别性的潜在空间,本文还设计了两个全新损失函数:原型样本度量损失和类原型分散损失来引导网络训练,从而增强类原型和同质样本之间的相似性、减小类原型与非同质样本之间的相似性并保持类原型之间的差异,最终提升了关系网络在零样本学习上的性能。（2）针对亲属关系验证任务,利用关系网络可以对不同的人脸特征进行分析,判断给定的人脸图像对有无亲属关系。本文提出的自适应加权6)元组度量网络模型,通过对不同卷积层学习到的特征进行组合,能够针对人脸图像的特点构建出具有判别性的视觉特征。同时,本文还为网络设计了一种新的跨对度量学习损失:自适应加权6)元组损失。该损失利用网络构建的6)元组探索人脸图像的高阶跨对信息,从而最大化正例和负例之间的间隔。在该损失的基础上,本文还设计了一个自动分配权重的方案来引导网络构建更为精确的正负例之间的间隔,最终得到一个有效的亲属关系验证模型。