在半监督增强学习中，许多算法都要用到测度来度量样本间的相似关系。但目前大部分的增强学习都局限于使用欧氏距离来度量样本间的相似度。本文提出了一种新的度量：δ-距离。δ-距离是基于测地距离但包含了样本间隔的新度量。最直观的也是最常见的数据度量是欧氏距离，但是欧氏距离只会考虑空间中两点分开的程度，而不考虑其他信息，比如，子空间低维流形的信息，低维流形的信息在我们现实生活中处理的高维数据起着很重要的作用。测地距离考虑了流形的信息，但没有考虑到数据的间隔信息[1]，而此信息在半监督增强学习中又有着很重要的作用。因此我们所提出了δ-距离，他继承了测地距离的优点[2]，同时根据数据在δ邻域下的连通性建图体现了数据的间隔信息。同时文章中还给出了计算δ-距离的自适应算法。实验证明在半监督增强学习中应用-距离，分类器的分类性能有了很大的提高。