深度神经网络在高度类别不平衡的数据集上表现不佳。鉴于对比学习（contrastive learning）展现出的优异性能，本文提出了一种名为重平衡孪生对比挖掘（Rebalanced Siamese Contrastive Mining, ResCom）的新方法，以应对类别不平衡条件下的识别问题。基于数学分析与仿真结果，我们指出：监督式对比学习在原始批次（original batch）与孪生批次（Siamese batch）两个层级均面临双重类别不平衡问题，其严重程度甚至超过传统的长尾分类学习任务。在原始批次层面，本文引入一种类别平衡的监督式对比损失（class-balanced supervised contrastive loss），为不同类别自动分配自适应权重，以缓解类别分布不均带来的偏差。在孪生批次层面，我们设计了一种类别平衡队列（class-balanced queue），确保所有类别在队列中保持相同数量的负样本键（keys），从而实现更均衡的对比学习过程。此外，我们发现对比损失相对于对比logits的梯度可被解耦为正样本与负样本两部分，而“简单正样本”与“简单负样本”会导致对比梯度趋于消失。为此，我们提出监督式难样本正负对挖掘（supervised hard positive and negative pairs mining）策略，主动筛选具有信息量的样本对用于对比计算，从而提升表示学习能力。最后，为近似最大化两视图之间的互信息，我们提出孪生平衡Softmax（Siamese Balanced Softmax），并将其与对比损失联合优化，实现端到端的一阶段训练。大量实验结果表明，ResCom在多个长尾识别基准数据集上均显著优于现有方法。相关代码与模型已公开发布于：https://github.com/dvlab-research/ResCom。