在计算机视觉和模式识别等领域,相似性度量是衡量样本特征向量相似程度的最基本的方法。如何有效地利用先验信息学习一个好的相似性度量函数,已成为目前研究热点之一。当前,学者们已经提出了众多的度量学习算法,通过最小化类内距离、最大化类间距离学习度量矩阵。其中基于马氏距离的度量学习算法是最常用的。但在实际复杂的应用场景下,现有度量学习算法仍然存在缺乏全局信息和局部信息的融合,噪声环境下的不鲁棒等问题。针对这些问题,本论文对度量学习算法展开研究,提出三个不同的基于局部结构保持的度量学习算法模型,主要成果如下:（1）为了充分利用训练数据的标签信息,提出了一种基于标签回归的鲁棒子空间度量学习算法。该算法通过拟合二元标签矩阵获得一个具有判别性的潜在度量子空间,同时通过引入稀疏表示学习挖掘数据集的局部结构,进而获得原始数据在子空间中的“干净”表示。此外,利用核范数度量回归损失提高噪声条件下的度量稳定性。通过在多个数据集上的实验结果验证了该算法的分类有效性。（2）为了改善基于LDA的算法中所存在的信息损失与过拟合问题,提出了一种基于双向重构约束的正则化度量学习算法。该算法提出一种双向重构约束,即使用一个与投影矩阵不同的正交矩阵重构数据,进而予以低维特征转换矩阵更高的自由度,增强对子空间维度的选择灵活性;并且为了缓解过拟合问题,构建了类内紧致图作为正则化约束,以保持数据类内局部结构。通过在多个数据集上的分类结果证明了所提相似性度量学习算法的有效性。（3）针对原始数据中的噪声导致所构造的相似度矩阵不准确的问题,提出了一种自加权局部保持的判别度量学习算法。首先,通过自动计算加权矩阵调整同一类样本的邻域,有效地挖掘了数据的局部结构信息,并且该算法是在每次优化的度量空间中计算相对应的自加权矩阵,由此减弱了原始数据空间中噪声的影响。然后,通过引入低秩基联合学习,挖掘数据全局结构的同时提高算法的抗噪能力。最后,该算法获得一个融合局部及全局结构信息的马氏距离度量函数,且通过与主流算法在多个数据集上进行对比,验证了所提算法的有效性。