度量学习是文本分类算法的主要研究问题之一。通过学习一个距离度量函数,将样本间距离转化为相似度,对原始数据分布进行重构,将原始数据映射到一个容易划分的拓扑空间。使两个具有同样标签的样本在新的编码空间内距离更近,两个具有不同标签的样本在新的编码空间内距离更远,从而具有更优的分类性能。近年来,不同学者结合深度学习方法的研究发现深度度量学习网络的性能显著优于传统度量学习方法,其核心是构造用于度量学习的深度神经网络及loss损失函数学习高维数据的内在结构,提升分类效果。本文从三方面对Triplet Network深度度量学习网络进行改进:1)提出了一种基于LSTM的Triplet Network度量学习方法（LSTM Triplet）。该方法使用长短期记忆网络取代传统的卷积神经网络进行建模,解决了上下文依赖的问题,针对维度高、序列化的文本类型数据可以取得更好的实验效果;2)提出了一种基于孤立森林的Triplet Network深度度量学习算法（Iso Triplet Network）。该方法优化了三元组选锚的方式,克服了传统Triplet Network把任意点作为锚点构建三元组的弊端,有效的减少异常样本或是离群样本对模型的影响;3)优化了Triplet Network中的Triplet Loss损失函数。解决了传统Triplet Loss只考虑正负样本对之间的相对距离,而并没有考虑正样本对之间的绝对距离的弊端。针对传统Triplet Loss存在的问题进行优化。本文的实验结果证明,以上的三种不同的方法使得改进后的Triplet Network度量学习网络能够得到一个对数据更有表征能力的非线性度量空间,比传统方法有更好的分类效果。