Para diseñar un modelo de aprendizaje profundo eficiente que pueda ser utilizado en el mundo real, es importante detectar bien los datos fuera de distribución (OOD). Se han realizado varios estudios para resolver el problema de OOD. El enfoque actual de vanguardia utiliza un puntaje de confianza basado en la distancia de Mahalanobis en un espacio de características. Aunque superó a los enfoques anteriores, los resultados eran sensibles a la calidad del modelo entrenado y a la complejidad del conjunto de datos. En este documento, proponemos un nuevo método de detección de OOD que puede entrenar un espacio de características más eficiente para la detección de OOD. El método propuesto utiliza un conjunto de características entrenadas utilizando el clasificador basado en softmax y la red basada en aprendizaje de métricas de distancia (DML). A través de la interacción complementaria de estas dos redes, el espacio de características entrenado tiene una distribución más agrupada y puede ajustarse bien a la distribución gaussiana por clase. Por lo tanto, los datos OOD pueden ser detectados eficientemente estableciendo un umbral en el espacio de características entrenado. Para evaluar el método propuesto, aplicamos nuestro método a varias combinaciones de conjuntos de datos de imágenes. Los resultados muestran que el rendimiento general del enfoque propuesto es superior al de otros métodos, incluido el enfoque de vanguardia, en cualquier combinación de conjuntos de datos.