学习样本间的距离度量是计算机视觉领域的一个基础而又重要的课题。近年来,随着深度学习在计算机视觉领域的快速发展,深度度量学习也得到了广泛的关注与研究。深度度量学习主要是通过深度神经网络学习得到满足距离关系的特征嵌入。尽管目前深度度量学习方法相较于传统度量学习方法已经取得了较大的进步,但其仍面临着一些挑战。大部分深度度量学习工作均基于正负样本对的相对距离的三元组关系展开,而基于正负样本对的绝对距离的二元组关系相对较少有研究关注。尽管基于二元组关系的对比损失存在难调参、易过拟合等诸多训练问题,但其仍有着较低的时空复杂度和不错的性能,故如何克服其缺陷对其进一步研究仍是十分有价值的课题。另一方面,间隔超参数也是影响深度度量学习算法性能一个重要因素。如何设计无间隔参数且性能优异的深度度量学习算法,也是深度度量学习研究的一大挑战。此外,如何设计不同于传统二元组、三元组约束的新颖损失函数形式也是深度度量学习的一个重要课题。本文针对深度度量学习的以上现状进行了探索,主要工作如下:（1）提出了一种基于最优传输理论的对比损失函数加权方法,将对比损失的损失矩阵作为传输问题中的传输成本矩阵,通过求解两个均匀分布间的最大传输成本为损失矩阵分配0/1二值权重,实现了一种小批量样本内的困难样本对挖掘方法。该方法保证在梯度下降时小批量样本中每个样本用且仅被使用一次,避免了梯度冲突问题;同时保证了挖掘到的样本对组合是满足条件的所有组合中传输成本最大的。在CUB-200-2011、Cars196与In-shop Clothes Retrieval数据集上相较于基线方法均展现出了更好的检索与聚类性能。（2）设计了一种基于样本检索序列关系的结构化深度度量学习方法。引入逆序对的概念,使用检索序列中所有相对序列位置关系不正确的正负样本（逆序对）与查询样本共同组成三元组计算损失。正确的检索序列结构保证了每个逆序负样本被放置到所有正样本的后端,从而避免了使用一般三元组损失函数中用于保证正负样本对区分度的间隔参数。另外,本文提出了一种基于负样本子序列位次的加权方法,为靠近检索序列前端的负样本赋予更大的权重。在CUB-200-2011、Cars196与In-shop Clothes Retrieval数据集上的实验结果表明该方法有着良好的性能表现。（3）提出了一种新颖的基于代表点的直方图损失函数,使用样本与代表点间相似度替代样本间相似度。通过代表点的思想改进了无间隔参数的直方图损失函数,解决了其在细粒度分类数据集上训练会使得模型崩溃的不稳定问题,同时在CUB-200-2011、Cars196与In-shop Clothes Retrieval数据集上提升了其性能表现。还验证了代表点方法在对比损失中的应用,并讨论了其易过拟合等弊端。扩展了代表点方法在深度度量学习领域的应用范围。（4）基于（2）中提出的结构化损失函数设计并实现了一个物体检索系统。系统使用.NET框架与Python进行开发,采用前后端分离的设计。该系统会根据用户所提交的图像从选定的数据集中返回前十个最相似的样本作为检索结果予以展示,同时给出最相似结果的置信度供用户参考。