L’apprentissage métrique profond a suscité un intérêt croissant ces dernières années en raison de ses nombreuses applications, telles que le regroupement (clustering) et la recherche d’images. Grâce au succès de l’apprentissage profond (DL), de nombreuses méthodes d’apprentissage métrique profond (DML) ont été proposées. Les réseaux de neurones (NN) utilisent des fonctions de perte DML pour apprendre une fonction d’application qui projette les échantillons dans un espace de caractéristiques à faible dimension hautement discriminant, facilitant ainsi la mesure de similarité entre les paires d’échantillons sur cette variété. La plupart des méthodes existantes cherchent généralement à renforcer la puissance discriminante du réseau neuronal en améliorant la compacité intra-classe dans l’espace de caractéristiques de haut niveau. Toutefois, elles ne prennent pas explicitement en compte de contraintes pour améliorer la séparation inter-classe. Dans ce travail, nous proposons une nouvelle fonction de perte composite pour l’apprentissage métrique profond, qui, en plus de la compacité intra-classe, intègre explicitement des régularisations afin d’assurer une séparation optimale inter-classe en répartissant mutuellement les centres des classes de manière équidistante. La fonction de perte DML proposée a atteint des résultats de pointe pour les tâches de regroupement et de recherche d’images sur deux jeux de données réels.