分布外检测技术对提高深度神经网络模型实际应用的安全性有着重要作用。现有的深度神经网络模型大多是基于封闭世界假设场景进行训练,使用的训练样本和测试样本符合独立同分布的假设,这使得深度神经网络对分布外样本没有识别能力。使用分布外检测技术将分布内样本和分布外样本进行区分,有助于在自动驾驶等实际应用中通过运用深度神经网络模型抵御未知样本的攻击风险。对于非线性决策边界的分类任务,深度多类别数据描述基于超球决策边界来描述分布在非线性决策边界内的数据,其中在封闭超球内部的数据为分布内数据,超球外部区域的数据均被检测为分布外数据。然而基于超球决策边界的分布外检测技术并不能适用于所有分布,因为现实世界中还存在着大量不规则的数据分布,半径处处相等的超球决策边界不能紧密地拟合这些分布。因此,本文提出了基于超椭球决策边界的三分支神经网络模型和深度置信几何数据描述算法,通过使用由置信度损失、距离损失和分布差异损失等三部分构成的几何描述损失约束模型的决策边界,将超球边界改变为超椭球边界,用于解决超球模型应用场景单一且不能紧密地拟合边界形状不规则的数据分布的问题,提升了分布外检测能力和分布内分类能力。实验结果表明,基于超椭球决策边界的三分支神经网络模型和深度置信几何数据描述算法能够有效地对分布外样本进行检测,并且对分布内样本的分类任务也取得了较高的分类准确率。本文从几何角度出发,对于分布外检测领域提供了一种新的研究思路与方法。论文的主要创新工作如下:（1）提出了基于超椭球决策边界的数据描述方法,给出了置信度估计矩阵和置信度损失等计算公式,使模型能够更好地拟合不规则的数据分布。（2）提出了一种三分支神经网络,以获得置信度损失、距离损失和分布差异损失等三部分的损失,用于计算几何描述损失,以约束和更新超椭球决策边界。（3）提出了深度置信几何数据描述算法,无需分布外样本参与模型训练和验证即可提升模型的检测准确率,通过消融实验进行了参数敏感性分析。