现有深度度量学习方法通过构造困难样本生成方法指导模型高效训练，基于代数计算的困难样本生成方法具有简单、高效的优势。然而这类方法缺乏对数据整体分布的考虑，导致生成的样本随机性较强、模型收敛缓慢。针对该问题，将三元组中的正样本以其所属的类中心为轴，旋转至锚点与该类中心连线的反向延长线上，提出一种基于样本旋转的困难样本生成方法，给出了一种新的损失函数，构建了一种基于样本旋转的生成困难样本的深度度量学习模型（RHS-DML），有效提升了模型的训练效率。在Cars196,CUB200-2011以及Stanford Online Products数据集上进行了图像检索的实验，与代数计算方法中对称生成样本方法进行了比较，结果表明，本文提出算法的检索性能相较于对称样本生成方法，在三个数据集上分别高出2.4%,0.7%,1.4%。