分类是机器学习领域经典而核心的问题,也是人脸识别、图像分割、目标重识别、目标检测等复杂任务的基础,分类结果的质量好坏直接关系着上层复杂任务的性能。随着社会和科学的不断发展,日益增长的人工智能和深度学习的工程应用对分类这一基础任务的性能（泛化性及鲁棒性）也提出了更高的要求。本文以基于深度学习的大间隔分类方法为研究课题,着眼于广泛使用的Softmax交叉熵损失函数的分类方法,重点研究在当下大间隔分类方法的理论框架下,损失函数存在的特征空间中类内分布各项异性以及特征和类中心的模长对模型优化的影响等问题。本文的主要工作内容和贡献如下:1.对当前大间隔分类方法领域的理论进行了梳理和总结。深度学习的大间隔分类方法基于Softmax交叉熵损失函数,得益于度量学习的“间隔”思想,将其引入到分类损失中显著提高了分类器的泛化性能以及特征的判别性。在引入间隔的过程中进行了一系列的分类损失的大间隔改造。本文对基于深度学习的大间隔分类损失函数的改造过程及其理论基础进行了梳理和总结,进而引出当前理论框架下仍存在的问题。2.提出特征空间中类内分布的各项异性的梯度增强项。我们发现原有分类损失形成的类内分布是各项异性的。间隔引入到分类损失函数中后,使得各类边界从类间分界面分离并朝着各自的类中心收缩。但基于原有分类损失函数形成的类内分布性质依旧未变,类内分布仍旧各项异性,这会造成类中心到各个方向边界的距离的不一致,表明模型的优化不完全。基于这个问题我们提出了改善类内分布优化不完全区域的梯度增强项,自适应地恢复该部分区域的梯度使其能够继续收缩。3.提出对特征以及类中心的模长分布不均进行修正的一致性约束项。分类损失的大间隔改造过程中为了排除特征以及权重的模长影响,将两者均进行了归一化,并假设在后续的放缩过程中两者的模长相等。但实际上模型提取出的特征以及权重的模长差异非常大,会使得模型训练过程中特征优化的不平衡,导致间隔带来的泛化性大打折扣。为了解决这个问题,我们针对特征和权重的模长提出了模长一致性约束项,使得特征和权重的模长在训练优化的过程中逐渐趋同。