A Verificação Facial de Parentesco busca determinar se dois indivíduos são biologicamente relacionados baseando-se apenas em suas características faciais, uma tarefa complicada por pistas hereditárias sutis, alta variação intra e interclasse, e conjuntos de dados limitados e desbalanceados. Esta dissertação propõe uma estrutura que combina uma estratégia de amostragem customizada de lotes com Perda Contrastiva Difícil (Hard Contrastive Loss -- HCL) dentro de um paradigma de aprendizado contrastivo supervisionado. A abordagem utiliza redes neurais profundas e um backbone AdaFace pré-treinado para extrair representações faciais, enquanto o amostrador personalizado garante lotes de treinamento diversos e informativos priorizando famílias únicas, relacionamentos sub-representados e pares positivos desafiadores. O HCL foca o aprendizado nas amostras negativas mais difíceis, melhorando a capacidade do modelo de distinguir pistas de parentesco sutis. Experimentos no conjunto de dados FIW demonstram que esta combinação alcança resultados estado-da-arte: 82,2% de precisão média na verificação pareada, 86,5% na verificação tri-sujeito, e desempenho competitivo em tarefas de busca e recuperação. Estudos de ablação revelam que o HCL é mais efetivo quando pareado com amostragem diversa de lotes, e que tanto amostragem aleatória quanto balanceada produzem resultados robustos. O desempenho ótimo é obtido com valores de temperatura mais baixos (τ ≈ 0, 3) e ativação precoce do HCL. Este trabalho fornece novas perspectivas sobre a interação entre design de função de perda e composição de lotes, oferecendo diretrizes para futuros estudos de verificação de parentesco. Todo o código está disponível online.