对比学习是度量学习领域中的一个重要研究方向。然而，由于批大小受限、数据分布不均衡以及过拟合风险等因素，有效采样对比样本仍面临挑战。本文提出一种新型度量学习损失函数——中心对比损失（Center Contrastive Loss），该方法维护一个类别级别的中心库，通过对比损失将查询样本与各类别中心进行对比。中心库能够实时更新，从而加速模型收敛，无需依赖复杂的设计样本挖掘策略。类别中心作为优化良好的分类代理，有效重平衡了各类别的监督信号。此外，所提出的损失函数结合了对比学习与分类方法的优势，通过减小类内差异、增强类间差异，显著提升了嵌入表示的判别能力。实验结果如图1所示，采用该损失函数训练的标准网络（ResNet50）达到了当前最优性能，并实现了更快的收敛速度。