深度度量学习旨在学习样本间的语义相似性,由于其天然的泛化优势,被广泛应用于图像检索等开放集场景。基于代理的深度度量学习方法通过常驻内存的可训练代理为mini-batch供训练集在嵌入空间的全局分布近似,通过探究样本与代理的关系避免了基于样本对方法中复杂的采样问题和mini-batch局部性导致的模型局部最优问题。在深度度量学习领域,一个常见观点是大边距有利于判别特征的学习,从而升模型对测试集样本的分辨能力。然而,在基于代理的方法中,由于代理带来的全局分布观测,训练集样本可以很容易地被清晰分辨。此时的大边距可能在进一步升训练集样本分辨性的同时阻碍了通用特征的学习,而这些通用特征是识别开放集场景中未见类的关键保障。基于此猜想,本文探究了基于代理的方法中边距对模型性能的影响,发现一定程度的小边距能够升模型泛化能力,并针对两类经典方法出了基于小边距思想的改进方案。另一方面,为每个类分配单一代理无法表示类内分布结构,而目前基于多代理的方法都依赖于分类框架而无法充分利用样本间以及样本与代理之间的细粒度关系,同时还面临过拟合的风险。因此,本文出一种基于距离损失的多代理方法,旨在通过多代理扩展样本的细粒度语义,从而增强数据表示能力。考虑到样本可能不具有一个类的所有细粒度语义,在本文出的多代理方法中,每个样本自适应地与少量近邻代理相关联。与小边距思想相结合,本方法在促进通用特征学习的同时升了难例样本的分辨性,在引入更多代理的同时降低了模型训练复杂度。此外,尽管以代理为锚点的方法能够充分利用样本间的细粒度关系,由于mini-batch难以精确表征代理的局部近邻分布,其仍然面临对大批量采样的依赖问题。针对此问题,本文充分利用多代理优势,首次出将代理作为mini-batch在嵌入空间的数据增强以升代理更新稳定性和避免训练时对大批量采样的依赖问题。本文出的方法均在三个标准图像检索数据集上经过测试。实验结果表明,本文出的基于小边距思想的改进方案相较于原方法有大幅性能升,出的多代理方法和嵌入空间数据增强方法性能超越同领域最先进的方法。