随着互联网和社交网络的飞速发展,以文本、图像、视频等为代表的多模态数据不断涌现。多模态数据呈现出规模大、类型多和维度高的特点,传统的构造性度量指标已无法准确度量样本的差异,而过去面向单模态数据的度量学习也无法直接应用于多模态任务。本文针对半监督高维多模态数据的识别与检索任务,研究了多模态度量学习的模型与算法。主要研究成果如下:(1)针对高维特征空间引发的维数灾难问题,提出了一种高效的多模态几何平均度量学习方法。该方法通过引入权值区分不同模态的重要性,同时采用Log Det散度保证模态间的关联性,在黎曼流形的特征子空间上具有闭式解,提高了多模态度量学习的性能和效率。(2)针对小样本问题,提出了一种基于加权图嵌入的度量学习方法。该方法在各模态下构造内蕴图和惩罚图,挖掘子空间表达的一致性和互补性。为了解决非线性可分的问题,该方法被进一步扩展到核空间,提高了基于人脸的亲属关系验证精度。(3)针对标记样本有限的问题,提出了一种半监督拉普拉斯正则多模态度量学习方法。该方法构造半监督拉普拉斯图,保持特征空间分布和类别标记分布的一致性,提升了信息检索和近邻分类的性能。(4)针对无标记样本的使用造成的性能下降风险,提出了一种主动采样的半监督在线多核相似性学习框架。此框架下,采用间隔的概念评价分类的可靠性,选取置信度较高的无标记样本进行训练,在标记样本较少的情况下取得了更好的性能。综上所述,本文针对大数据背景下多模态度量学习所面临的挑战,从特征维度、类别标记和数据规模的不同层面给出了相应的学习模型和解决方案,为度量学习在数据挖掘、计算机视觉和模式识别的相关应用提供了技术支撑。