数据异常检测是数据挖掘领域的研究热点,已被广泛应用于金融欺诈检测、网络入侵检测、设备故障检测、医疗分析以及气象预报等领域。因此,对大量数据中的少量异常数据进行精准检测,具有十分重要的理论和实际意义。本论文针对传统机器学习方法在高维数据异常检测上表现差,可扩展性差,特征提取复杂性等不足,在深度神经网络基础上,提出了基于深度自编码器的数据异常检测算法。同时,为了能充分利用在实际数据异常检测场景中存在的少量标签数据并有效提升模型检测性能,设计了基于深度自编码器的半监督数据异常检测算法。具体研究内容和结果如下:（1）基于深度自编码器的数据异常检测研究。在原有自编码器的基础上,提出了一种基于深度自编码器的数据异常检测算法,利用主成分分析的思想,将输入数据分为正常数据（干净）部分和异常数据（肮脏）部分,正常数据部分由自编码器重建输出,异常数据部分由近端优化方法优化输出,再采用交替方向乘子法的方法来训练整体模型。将设计好的深度自编码器模型与传统机器学习及常规自编码器模型进行对比实验,结果表明:深度自编码器模型无需只含正样本的数据集就可以有效进行模型训练,其综合表现高于传统机器学习模型和自编码器模型,AUC值在4个数据集中达到最优。（2）基于深度自编码器的半监督数据异常检测方法研究。为了充分利用实际数据异常检测场景中存在少量标签数据,对深度自编码器模型进行改进,构建基于深度自编码器的半监督数据异常检测模型。将标签数据中的正样本数据用于优化自编码器参数,最小化正样本的自编码器重构误差;负样本数据用于调整超参数lambda,最大化负样本的自编码器重构误差。实验结果表明:在训练数据中存在少量标签数据的情况下,半监督的深度自编码器模型不仅提高了模型调参效率,而且在数据异常检测效果方面还优于深度自编码器模型,其在Mnist数据集上AUC值提高了1.06%,在Optdigits和Pendigits数据集也有明显提升。（3）深度自编码器的实际应用研究。基于深度自编码器模型,对预处理后的产线数据进行数据异常检测。通过对比实验分析,DAE模型的AUC值比AE方法提高了2.89%,比OCSVM方法提高了12.06%。