亲属关系认证在生物遗传学领域主要是通过基因检测的方式来高准确率地辨别亲属关系,近年来,随着计算机视觉技术的发展,从面部信息挖掘用户的亲属关系也成为一个具有挑战性的课题。遗憾的是,目前的主流方法受样本标注有限的影响,往往存在泛化性不足、分离性较差等问题。为此,本文从相似度学习的角度出发,探索提高亲属关系认证准确度的方法,提出了基于参照列表比较的亲属关系认证方法和基于自适应圆损失的亲属关系认证方法。本文主要研究内容如下:（1）针对标注数据有限的现状,提出了一种基于参照列表比较的无监督亲属关系认证方法。该方法首先将数据集分为参考集和样本集,根据样本图像和参考集中所有图像之间的相似度排列生成参照列表,再利用两个参照列表反映对应样本图像之间的相似度,将问题的关键从单一的样本相似度度量转移到列表的相似度度量,从而突破小样本数据的限制,辅助实现亲属样本的相似度测量。在Kin Face W-I和Kin Face W-II两个亲属关系认证数据集上的实验结果表明,所提出的无监督方法在不使用外部数据或数据增强的情况下是有效的。（2）针对常用损失函数优化方向性和分离性差的问题,提出了一种基于自适应圆损失的亲属关系认证方法。该方法通过引入自适应的圆损失函数,利用调整余弦相似度作为相似度度量,并通过调整比例系数和间隔以实现针对不同图像特征的自适应优化。在两个基准亲属关系认证数据集上的实验结果表明,该方法可以获得更为优异的鉴别结果。