作为机器学习领域的一个重要分支,度量学习被广泛应用于信息检索、目标识别、姿态估计等实际应用中。近年来,随着深度学习的迅猛发展,与其相结合的深度度量学习逐渐发展成为度量学习中的主流方法。尽管现有的深度度量学习方法已经取得了较好的性能,但其性能严重依赖于大规模高质量标注的训练数据。然而,在诸多实际应用中所面临的开放环境下,这些在实验室环境下使用的大规模高质量标注的训练数据往往难以获取。面对开放环境下训练数据不够理想的情况,深度度量学习的鲁棒性和泛化能力面临着巨大的考验。本文致力于研究开放场景下的深度度量学习算法。针对开放场景下可获取到的训练数据集存在的问题:如数据没有人工标注、可用于训练的数据规模较小、用于训练的数据含有噪声标签等,进行理论方法创新。本文的主要创新工作概括如下:1.提出一种基于贝叶斯推断的鲁棒深度度量学习方法。现有的深度度量学习算法仅能在大规模的准确标注数据上得到理论性能,对小规模数据的泛化性以及标签噪声的鲁棒性较差。鉴于此,本文提出了一种基于贝叶斯推断的鲁棒深度度量学习方法。该方法首次将分层贝叶斯推断引入深度度量学习,利用一类自适应尖峰和平板先验构建分层贝叶斯公式,用以自动捕捉模型参数的结构信息。与现有的深度度量学习方法相比,该方法可以仅使用小规模标记数据进行训练就获得良好性能,并且对标签噪声具有更强的鲁棒性。实验表明,在含有噪声标签的数据集以及规模较小的数据集上,该方法均显著优于对比的基线方法。2.提出一种基于双曲空间的无监督深度度量学习方法。在没有任何人工标注作为监督信息的情况下直接从图像中学习特征嵌入是计算机视觉和机器学习领域中一项非常重要且具有挑战性的任务。由于缺乏人工标注的信息,且数据显示出非欧式的内在结构,本文提出了一种具有层次相似性的基于双曲空间的无监督度量学习方法。它通过利用双曲空间下的度量学习和层次聚类来考虑数据的自然层次结构,可以有效地在建模中挖掘并利用更为丰富的多级相似性信息。实验表明,该方法可以有效挖掘数据内在丰富的层次相似性,实现在无监督数据上学习具有判别力的特征嵌入。3.提出一种自适应层次化的鲁棒深度度量学习方法。大多数现有的利用二值相似性的深度度量学习方法对噪声标签很敏感,可是这些噪声标签广泛存在于现实世界的数据中。由于这些噪声标签通常会导致性能严重下降,本文提出了一种自适应层次化的鲁棒深度度量学习方法来缓解噪声标签的影响。它考虑了两种对噪声不敏感的信息:类级多样性利用双曲度量学习有效地挖掘出比二值更丰富的相似性信息;样本级一致性通过对比增广进一步提高模型的泛化能力。更重要的是,本文设计了一种自适应策略,将这些信息整合到一个统一的框架中,并可以扩展到任何成对损失方法中。实验表明,该方法可以挖掘数据中潜在的对噪声不敏感信息用于模型训练,提升度量学习算法的鲁棒性与泛化能力,实现在含有噪声标签的数据集上也能学习到有效的相似性度量。4.进一步将深度度量学习应用到噪声标签学习方法中,提出一种基于负相关性度量的噪声标签学习方法。现有的噪声标签学习方法忽略了隐藏在噪声数据中的有用信息,不能保证模型的鲁棒泛化能力。为了解决这个问题,本文提出将深度度量学习方法与噪声标签学习方法相结合,构建度量空间捕捉并利用来自噪声数据的负相关信息。具体来说,在标签空间中,我们利用弱增广数据过滤样本,并在所选样本集的强增强上采用分类损失,这样可以保持训练的多样性。在度量空间中,我们利用弱监督对比学习来挖掘隐藏在噪声数据中的这些负相关信息。