在图像检索任务中，标准的评估指标依赖于得分排序，例如平均精度（Average Precision, AP）。本文提出了一种鲁棒且可分解的平均精度（Robust and Decomposable Average Precision, ROADMAP）方法，旨在解决在端到端训练深度神经网络时使用AP所面临的两大挑战：不可微性与不可分解性。首先，我们提出了一种新的、可微的排名函数近似方法，该方法能够为AP损失提供上界，从而确保训练过程的稳定性与鲁棒性。其次，我们设计了一种简洁而有效的损失函数，有效缩小了整个训练集上的AP与批次平均近似值之间的可分解性差距，并为此提供了理论保障。在三个图像检索数据集上进行的大量实验表明，ROADMAP优于多种近期提出的AP近似方法，充分验证了本文两项核心贡献的重要性。最终，利用ROADMAP训练深度模型可获得优异性能，在三个数据集上均超越了现有最先进方法的水平。