人脸相似度通常使用以下几种距离或度量方法：
1. 欧氏距离（Euclidean Distance）：这是一种最常用的距离度量方法，通过计算两个向量之间的平方和的平方根来得到距离。在人脸相似度中，通常是将人脸特征向量（如LBP、HOG、Eigenfaces等）进行欧氏距离计算。
2. 余弦相似度（Cosine Similarity）：这种方法通过计算两个向量之间的夹角的余弦值来衡量它们的相似度。余弦相似度适用于处理高维数据，因为它不受量纲的影响。
3. 汉明距离（Hamming Distance）：当人脸特征是二进制编码时，可以使用汉明距离来衡量两个特征向量之间的差异。汉明距离是指两个等长字符串之间对应位置上不同字符的数目。
4. KL散度（Kullback-Leibler Divergence）：这是一种信息论中的距离度量，可以用来衡量两个概率分布之间的差异。
5. Wasserstein距离（Earth Mover's Distance）：这种方法通过最小化两个概率分布之间的“运输成本”来衡量它们的相似度，适用于处理非独立同分布的数据。
6. JS散度（Jensen-Shannon Divergence）：这是一种基于KL散度的改进方法，可以避免KL散度在某些情况下的不稳定性。
在实际应用中，通常会根据具体问题和数据的特点选择合适的距离度量方法。例如，在人脸识别领域，常用的特征提取方法包括LBP、HOG、Eigenfaces等，而相似度度量则常用欧氏距离或余弦相似度。
