diff --git a/doc/fluid/api_cn/nn_cn/loss_cn.rst b/doc/fluid/api_cn/nn_cn/loss_cn.rst
index 3c4c2c33fbb37343f91713b25bba8af86f8943a5..f19bbb7c229eaa030bdd8b131ee0ab844cb8117e 100644
--- a/doc/fluid/api_cn/nn_cn/loss_cn.rst
+++ b/doc/fluid/api_cn/nn_cn/loss_cn.rst
@@ -11,5 +11,6 @@ loss
     loss_cn/BCELoss_cn.rst
     loss_cn/CrossEntropyLoss_cn.rst
     loss_cn/L1Loss_cn.rst
+    loss_cn/MarginRankingLoss.rst
     loss_cn/MSELoss_cn.rst
     loss_cn/NLLLoss_cn.rst
diff --git a/doc/fluid/api_cn/nn_cn/loss_cn/MarginRankingLoss.rst b/doc/fluid/api_cn/nn_cn/loss_cn/MarginRankingLoss.rst
new file mode 100644
index 0000000000000000000000000000000000000000..75d9b129d5777b564719d8fa58ab1ed43b0df765
--- /dev/null
+++ b/doc/fluid/api_cn/nn_cn/loss_cn/MarginRankingLoss.rst
@@ -0,0 +1,50 @@
+.. _cn_api_nn_cn_MarginRankingLoss:
+
+MarginRankingLoss
+
+-------------------------------
+
+.. py:function:: paddle.nn.loss.MarginRankingLoss(margin=0.0, reduction='mean')
+
+该接口用于创建一个 ``MarginRankingLoss`` 的可调用类，计算输入x, y 和 标签label间的 `margin rank loss` 损失。
+
+该损失函数的数学计算公式如下：
+ .. math:: 
+     margin_rank_loss = max(0, -label * (x- y) + margin)
+
+当 `reduction` 设置为 ``'mean'`` 时，
+
+    .. math::
+       Out = MEAN(margi_rank_loss)
+
+当 `reduction` 设置为 ``'sum'`` 时，
+    
+    .. math::
+       Out = SUM(margin_rank_loss)
+
+当 `reduction` 设置为 ``'none'`` 时，直接返回最原始的 `margin_rank_loss` 。
+
+参数：
+    - **margin** (float，可选)： - 用于加和的margin值，默认值为0。  
+    - **reduction** (string, 可选)： - 指定应用于输出结果的计算方式，可选值有: ``'none'`` | ``'mean'`` |  ``'sum'`` 。
+            如果设置为 ``'none'`` ，则直接返回 ``margin_rank_loss`` 。
+            如果设置为 ``'sum'`` ，则返回 ``margin_rank_loss`` 的总和。
+            如果设置为 ``'mean'`` ，则返回 ``margin_rank_loss`` 的平均值。
+            默认值为 ``'none'`` 。
+返回：返回计算MarginRankingLoss的可调用对象。
+
+**代码示例**
+
+.. code-block:: python
+     import numpy as np 
+     import paddle 
+     import paddle.imperative as imperative
+     
+     paddle.enable_imperative()
+      
+     x = imperative.to_variable(np.array([[1, 2], [3, 4]]))
+     y = imperative.to_variable(np.array([[2, 1], [2, 4]]))
+     label = imperative.to_variable(np.array([[1, -1], [-1, -1]]))
+     margin_rank_loss = MarginRankingLoss()
+     loss = margin_rank_loss(x, y, label) 
+     print(loss.numpy()) # [0.75]