La evaluación preoperatoria de las vías aéreas difíciles es de gran importancia en la práctica de la intubación anestésica. En los últimos años, aunque se han investigado una gran cantidad de algoritmos de reconocimiento de vías aéreas difíciles, aún existen defectos como baja precisión de reconocimiento y pobre fiabilidad de reconocimiento. En este documento, proponemos una Red de Fusión de Múltiples Vistas de Doble Ruta (DMF-Net) basada en aprendizaje métrico de múltiples vistas, que tiene como objetivo predecir vías aéreas difíciles a través de imágenes faciales de múltiples vistas de los pacientes. DMF-Net adopta una estructura de doble ruta para extraer características agrupando las imágenes frontales y laterales de los pacientes. Mientras tanto, se diseñan un Módulo de Fusión de Características de Múltiples Escalas y un Módulo de Co-Atención Híbrido para mejorar la capacidad de representación de características del modelo. Se utilizan pérdidas de consistencia y complementariedad completamente para la complementariedad y consistencia de información entre datos de múltiples vistas. Combinado con Pérdida Focal, se evita efectivamente el sesgo de información. La validación experimental ilustra la efectividad del método propuesto, con la precisión, especificidad, sensibilidad y puntaje alcanzando el 77.92%, 75.62%, 82.50% y 71.35%, respectivamente. En comparación con métodos como pruebas clínicas de detección en la cabecera y métodos existentes basados en inteligencia artificial, nuestro método es más preciso y confiable y puede proporcionar una herramienta auxiliar confiable para el personal de salud clínica para mejorar efectivamente la precisión y confiabilidad de las evaluaciones preoperatorias de vías aéreas difíciles. La red propuesta puede ayudar a identificar y evaluar el riesgo de vías aéreas difíciles en los pacientes antes de la cirugía y reducir la incidencia de complicaciones postoperatorias.