近年来，深度度量学习（Deep Metric Learning, DML）因其在聚类、图像检索等领域的广泛应用而受到广泛关注。得益于深度学习（Deep Learning, DL）的成功，众多DML方法相继被提出。神经网络（Neural Networks, NNs）通过采用DML损失函数，学习一个映射函数，将样本映射至高判别性的低维特征空间，从而便于在该流形结构中度量样本对之间的相似性。现有大多数方法通常通过增强高层特征空间中的类内紧凑性来提升神经网络的判别能力，但未能显式地施加约束以优化类间分离性。本文提出了一种新的复合型DML损失函数，该函数在保持类内紧凑性的基础上，显式引入约束机制，通过使各类中心相互等距分布，以实现最优的类间分离。实验结果表明，所提出的DML损失函数在两个真实世界数据集上的聚类与图像检索任务中均取得了当前最优的性能表现。