SiC复材构件具有多孔隙、非匀质的特点,通过CT扫描得到的切片图像特征复杂,疑似缺陷的孔隙数量较多,人眼难以鉴别。为了精准得到复材构件的内部结构,需要使用高分辨率CT扫描仪扫描,经济成本高。在实际工业场景中,缺陷样本数量少且较难获取,且正常样本与异常样本存在类别不均衡问题。现有监督学习方法未能很好的解决上述问题,而基于表征学习的生成式算法仅利用正常样本训练期望获得正常区域的表征模型,通过对比正常区域图像模式实现异常检测。由于生成式算法对缺陷样本需求较少,因此本文采用生成式算法研究复材构件的缺陷检测与识别。本文首先提出隐变量对齐的块判别器异常检测模型（AD-Patch）,用于解决重构图像高频信息缺失的问题。本文假设图像的低维特征对重构图像质量有重要影响,由于无法通过计算获取图像的低维特征,因此本文假设图像的低维特征服从某种分布。本文假设其服从标准正态分布,通过采用隐变量判别器对图像的低维特征进行限制;传统判别器输出一个实数,用于判断输入样本属于真实样本的概率,这会造成重构图像的高频信息缺失,因此本文采用块判别器,即判断图像块中每个像素属于真实样本的概率,来解决重构图像高频信息缺失的问题。最终在本文构建的复合材料异常检测数据集上AUC为82.5%。本文提出的第二个模型为融合低维特征跨层连接的异常检测模型（Res-Skip）,该模型是基于GANomly算法的改进,旨在解决重构图像质量差的问题。本文假设编码与解码结构对模型的生成能力有重要影响,传统对称的编码与解码操作容易带来恒等映射问题,因此本文不再采用对称的编码和解码结构。编码器旨在提取图像的特征,由于ResNet结构具有强大的特征提取能力,因此编码器选用ResNet结构;由于高分辨率图像是由低维特征逐步上采样生成,因此解码器选用跨层连接结构,即生成高分辨图像时要结合低维特征;为了迫使重构图像的低维特征向真实图像的低维特征逼近,本文将重构样本再次输入编码器通过最小化低维特征的重构残差来实现。最终在本文构建的复合材料异常检测数据集上AUC为84.3%。