机器学习中常需使用适当的度量算法来计算样本之间的距离或相似性。度量学习能够根据数据的特点自动学习，既为其它算法提供了丰富的理论工具又可以用于解决实际问题。但已有度量学习算法在模型优化和模型泛化能力方面仍然存在不足。针对这一问题，本文基于神经网络开展了度量学习的改进算法研究。
　　论文首先介绍了度量学习的相关基本概念，分析了不同的约束构建策略的复杂度，总结了已有的正则项和损失函数，分析了损失函数中样本数量与其性能的关系，总结了度量学习的模型结构。
　　论文提出了一种基于神经网络的层级优化度量学习算法。该算法包含两个层级，第一层级借助前置网络从原始数据中抽取关键特征，第二层级借助映射矩阵把关键特征映射到嵌入空间。算法在两个层级中分别采用反向传播算法和严格测地凸优化技术来优化参数，并在余弦相似度的基础上设计了正则项以避免前置网络产生同质关键特征。文中基于标准测试数据集和手写数字数据集进行了仿真验证，在K近邻分类错误率和可视化效果图两个方面与其它经典算法进行了对比实验，说明该算法能够更好地实现数据降维和改善数据分布。
　　针对已有算法存在的数据分布不平衡的问题，本文提出了一种基于分形网络的规范化度量学习算法。算法所设计的分形网络包含两条支路，一条支路把同类样本规范化到标准正态分布，另一支路计算每个类别的均值向量。算法综合利用KL散度和蒙特卡洛方法设计损失函数，以计算数据分布之间的差异度和正态分布的均值与方差。论文以CUB200-2011和CARS-196据集为例，在标准化互信息度和召回率两个方面与已有算法进行了对比实验，说明该算法可以有效避免分布不平衡问题，具有更好的泛化能力。