本文研究了深度神经网络中图像对的相似性函数的学习方法，通过利用嵌入集合中的独立性来提高嵌入的鲁棒性，并借助在线梯度提升问题来划分深度网络的最后嵌入层。通过提出两个损失函数来增加集合的多样性，可用于权重初始化过程或训练期间，对图像检索任务的评估表明，我们的度量学习方法在多个数据集上均取得了比业界领先方法更好的表现。

研究了多智能体问题中相邻智能体之间的空间-时间相互作用建模，提出了一种度量学习方法来规范潜在表征和因果注释，实验证明该方法提高了因果认知度并具有更强的分布外鲁棒性。通过跨域多任务学习提出一种模拟到真实因果转移方法，在行人数据集上证明方法能够大大提高泛化性能。