1.一种基于一致惩罚场损失函数的深度度量学习方法，该方法应用于改善计算机视觉中的图像分类匹配任务精度，其特征在于，包括以下步骤：S10、数据获取与预处理：获取数据集，并将数据集划分为训练集、测试集和验证集，并对训练集图片进行统一尺寸，数据增强处理；

S20、利用一致惩罚场损失函数训练优化深度学习模型：将训练集输入至深度学习模型中，获得图像的嵌入特征，随后利用一致惩罚场损失函数得到网络模型的损失值，所述一致惩罚场损失函数的实现则是通过执行步骤S21-步骤S23；

S21、为相同类别的样本提供吸引场，目的是拉近同一类样本间的距离，吸引场的强度与proxy和样本特征之间的余弦距离成正比，相似度越小，吸引力就会越大，吸引场的表达式如下：其中

S22、为不同类别的样本提供惩罚场，目的是推远不同类别样本间的距离，惩罚场的强度与proxy和样本特征之间的余弦距离成反比，相似性越大，推力越大，惩罚场的表达式如下：其中θ

S23、对吸引场和惩罚场进行平衡，在深度度量学习中，由于不同类别的样本会比同类别的样本多很多，所以平衡吸引场和惩罚场是很有必要的，通过如下的表达式平衡吸引场与惩罚场，并得到最终的一致惩罚场损失函数值：其中λ为吸引场与惩罚场之间的权重超参数，T

S30，计算机视觉任务中应用深度学习模型进行推理决策：将测试集中的图像输入进训练好的模型中，计算每个图像嵌入特征与其余所有图像嵌入特征的余弦相似度，并设置统一的阈值，若图像间的余弦相似度大于阈值，则将两个图像视为同一类，从而得到计算机视觉任务中的图像分类及匹配结果。