La vérification de parenté vise à déterminer s'il existe une relation de parenté pour un couple d'images faciales donné. Les bases de données de vérification de parenté sont caractérisées par des données déséquilibrées. Pour une base de données contenant N paires positives de parenté, nous obtenons naturellement N(N-1) paires négatives. Comment tirer pleinement parti des paires positives limitées et extraire des informations discriminantes à partir d'échantillons négatifs suffisants pour la vérification de parenté reste un problème ouvert. Pour résoudre ce problème, nous proposons dans cet article une approche de Meta-Mining d'Échantillons Discriminants (DSMM). Contrairement aux méthodes existantes qui construisent généralement un ensemble de données équilibré avec des paires négatives fixes, nous proposons d'utiliser toutes les paires possibles et d'apprendre automatiquement des informations discriminantes à partir des données. Plus précisément, pour chaque itération, nous prélevons un lot d'entraînement déséquilibré et un lot méta-d'entraînement équilibré. Nous apprenons ensuite un méta-minier en utilisant le méta-gradient sur le lot méta-d'entraînement équilibré. Enfin, les échantillons du lot d'entraînement déséquilibré sont réattribués en poids par le méta-minier appris afin d'optimiser les modèles de parenté. Les résultats expérimentaux sur les bases de données largement utilisées KinFaceW-I, KinFaceW-II, TSKinFace et Cornell Kinship démontrent l'efficacité de l'approche proposée.