随着互联网中多媒体信息的增长和获取信息便利程度的提高,用户不再满足于传统的信息检索方式,而跨模态人脸检索具有丰富的应用场景,能够满足用户的新需求:比如,用户可以通过人脸图像检索相关影视作品,公安机关可以通过嫌疑人图像检索相关监控视频等。跨模态人脸检索任务的关键问题在于减少模态差异,其模态差异主要包含时空域差异,视角差异和域差异。度量学习是一种减少模态差异的重要技术,已有的基于度量学习的跨模态检索方法用于跨模态人脸检索任务时缺乏对视角差异和域差异的关注,并且在度量学习的过程中存在两个问题:缺乏对全局信息的学习和收敛速度缓慢。根据上述问题,为了实现快速准确的跨模态人脸检索,本文提出了一种基于度量学习的跨模态人脸检索方法。本文主要贡献如下:1)本文提出了一种两阶段的跨模态共同表达生成算法,能够生成在模态内和模态间都具有鲁棒性和可辨别性的图像和视频共同表达。在第一个阶段,改进偏航角等变模块获取对偏航角具有鲁棒性的图像特征,改进多层注意力机制获取具有鲁棒性和可分性的视频特征;在第二个阶段,使用交叉熵损失保持模态内相似性关系,使用度量学习损失保持模态间相似性关系。2)本文改进了跨模态度量学习方法,充分利用每次迭代的三元组信息,采用全局三元组和局部三元组共同训练跨模态共同表达生成网络,提升了度量学习的一致性和准确性,同时通过半困难三元组的筛选加速了损失函数的收敛。3)为了提升跨模态人脸检索方法对域差异的鲁棒性,本文结合了域校准和迁移学习作为域适应方法。本文的域适应方法采用源域图像共同表达的统计信息对目标域图像共同表达的分布进行校准,冻结类中心和视频共同表达生成网络的参数,微调图像共同表达生成网络的参数。最后,在PB、YTC和UMD Faces三个人脸视频数据集中的对比实验和消融实验的结果证明了本文的跨模态共同表达生成算法能够提升跨模态检索的准确率,使用不同数量的样本微调跨模态共同表达生成网络的结果证明了本文的域适应方法提升了目标域图像跨模态检索的准确率。