领域泛化（Domain Generalization）是指从多个不同的源域中训练一个模型，使其能够直接推广到未见过的目标域。一种有前景的解决方案是对比学习（contrastive learning），该方法通过挖掘来自不同域的样本对之间的丰富语义关系，尝试学习域不变的表示。一种简单的方法是将来自不同域的正样本对拉近，同时将其他负样本对推远。然而，在本文中，我们发现直接应用基于对比学习的方法（例如监督对比学习）在领域泛化任务中效果并不理想。我们认为，对正样本对进行对齐会阻碍模型的泛化能力，原因在于不同域之间存在显著的分布差异。为解决这一问题，我们提出了一种新颖的基于代理（proxy-based）的对比学习方法，该方法将原始的样本对关系替换为代理与样本之间的关系，显著缓解了正样本对对齐带来的负面影响。在四个标准基准数据集上的实验结果验证了所提方法的有效性。此外，我们还考虑了一个更复杂的场景：即不提供ImageNet预训练模型。在该场景下，我们的方法依然表现出更优的性能，展现出良好的鲁棒性和实用性。