近年来，提升语义分割中的边界分割效果受到了越来越多的关注。现有主流方法通常依赖长距离上下文信息，导致特征空间中边界线索变得模糊，从而影响边界分割性能。为此，本文提出一种新型的条件边界损失（Conditional Boundary Loss, CBL），用于提升语义分割任务中边界的分割效果。CBL为每个边界像素设定一个基于其邻域上下文的唯一优化目标，实现条件化的优化过程，该过程简单而高效。相比之下，大多数先前的边界感知方法往往具有复杂的优化目标，或可能与语义分割任务本身产生潜在冲突。具体而言，CBL通过将每个边界像素拉近至其独特的局部类别中心，同时推离不同类别的邻近像素，从而增强类内一致性与类间差异性。此外，CBL能够有效过滤噪声和错误信息，从而获得更精确的边界，因为只有被正确分类的邻域像素才参与损失计算。所提出的损失函数具有即插即用的特性，可无缝集成到任意语义分割网络中以提升边界分割性能。我们在ADE20K、Cityscapes和Pascal Context三个主流数据集上进行了大量实验，结果表明，将CBL应用于多种主流分割网络，均可显著提升模型的mIoU（平均交并比）和边界F-score性能。