Una instancia puede ser fácilmente representada desde diferentes puntos de vista en el reconocimiento de patrones, y es deseable explotar la información de estos puntos de vista para complementarse mutuamente. Sin embargo, la mayoría de los métodos de aprendizaje de métricas o aprendizaje de similitud se han desarrollado para la representación de características de una sola vista en las últimas dos décadas, lo cual no es adecuado para tratar directamente con datos de múltiples vistas. En este documento, proponemos un enfoque de aprendizaje de similitud de coseno de múltiples vistas (MVCSL) para utilizar eficientemente datos de múltiples vistas y aplicarlo a la verificación facial. El método MVCSL propuesto es capaz de aprovechar tanto la información común de los datos de múltiples vistas como la información privada de cada vista, lo que permite aprender conjuntamente una similitud de coseno para cada vista en el subespacio transformado e integrar las similitudes de coseno de todas las vistas en un marco unificado. Específicamente, MVCSL emplea las restricciones de que la similitud de coseno conjunta de pares positivos es mayor que la de pares negativos. Los experimentos en tareas de verificación facial detallada y verificación de parentesco demuestran la superioridad de nuestro enfoque MVCSL.