Die Verwandtschaftsverifizierung zielt darauf ab, festzustellen, ob für ein gegebenes Paar von Gesichtsbildern eine verwandtschaftliche Beziehung besteht. Verwandtschaftsverifizierungsdatenbanken entstehen mit unbalancierten Daten. Für eine Datenbank mit N positiven Verwandtschaftspaaren erhalten wir natürlich N(N-1) negative Paare. Wie man die begrenzten positiven Paare optimal nutzen und diskriminierende Informationen aus ausreichend negativen Stichproben für die Verwandtschaftsverifizierung gewinnen kann, bleibt ein offenes Problem. Um dieses Problem zu lösen, schlagen wir in dieser Arbeit einen Ansatz des Diskriminativen Stichprobenn-Meta-Mining (DSMM) vor. Im Gegensatz zu bestehenden Methoden, die in der Regel ein balanciertes Datenset mit festgelegten negativen Paaren konstruieren, schlagen wir vor, alle möglichen Paare zu nutzen und diskriminierende Informationen automatisch aus den Daten zu lernen. Speziell ziehen wir in jeder Iteration eine unbalancierte Trainingsbatch und einen balancierten Meta-Trainingsbatch. Dann lernen wir einen Meta-Miner mit dem Meta-Gradienten auf dem balancierten Meta-Trainingsbatch. Schließlich werden die Stichproben im unbalancierten Trainingsbatch durch den gelernten Meta-Miner neu gewichtet, um die Verwandtschaftsmodelle zu optimieren. Experimentelle Ergebnisse auf den weit verbreiteten KinFaceW-I, KinFaceW-II, TSKinFace und Cornell Verwandtschaftsdatensets zeigen die Effektivität des vorgeschlagenen Ansatzes.