在信息社会时代,数据承载着许多重要信息,具有巨大的经济价值,然而数据在服务人类的同时也蕴含着潜在的风险,会给实际的生产工作带来巨大的安全隐患。异常检测作为一种有效的防护手段,能够检测出偏离正常期望行为的异常数据,为各类系统的正常运转提供重要支撑。因此,研究高效的异常检测算法对众多领域而言具有重要的现实意义。本文首先介绍了异常检测的相关理论知识,然后在传统异常检测方法面对高维数据效果不佳的情况下,深入研究了结合深度学习的异常检测算法,提出了基于混合高斯变分自编码器的异常检测模型和基于稀疏变分自编码器的异常检测模型。本文主要研究内容和成果如下:1、提出了一种基于混合高斯变分自编码器的异常检测模型。该模型首先使用混合高斯分布作为变分自编码器的先验和近似后验分布,使得隐变量所在的空间更加灵活,避免出现因先验过于简单导致的后验塌陷问题,影响特征的表示效果。然后在所搭建的变分自编码器编码网络的基础上搭建深度支持向量数据描述网络,压缩特征空间,并寻找最佳超球体分离正常数据和异常数据,通过计算数据特征到超球体中心的欧式距离衡量数据的异常分数,并以此进行异常检测。最后在基准数据集MNIST和Fashion-MNIST上评估了该算法,取得了较好的异常检测效果。2、考虑到稀疏编码可以得到表示能力更强的特征,并提高执行其他任务时的效果,结合该思想提出了一种基于稀疏变分自编码器的异常检测模型。该模型使用离散混合模型钉板分布先验作为变分自编码器的先验,模拟隐变量所在空间的稀疏性,得到数据特征的稀疏表示。然后搭建深度支持向量数据描述网络实现异常检测。最后在基准数据集MNIST和Fashion-MNIST上评估了该算法,其效果优于本文第三章所提出的基于混合高斯变分自编码器的异常检测算法和其他优秀算法,取得了较好的效果。