异常检测属于计算机视觉领域的基础研究之一,其目的在于构建模型发现与主体数据分布不同的异常值。由于实际中异常的多样性和稀缺性,异常样本通常难以获得,因此,异常检测常作为一个数据缺失的无监督式问题进行研究。近年来,基于深度学习的判别式算法是处理异常检测问题具有最先进水平的一类算法,本文将对这类算法进行研究,主要内容可以分为下面三个部分。与基于变换的自监督学习相结合的判别式算法是被广泛使用的一类异常检测算法。本文注意到这种结合方式蕴含一种内在的集成因素,但这种因素被当前的研究所忽视。从两个重要的性质入手,本文揭示出基于变换的异常检测算法与异常集成领域的内在联系。本文基于这种内在的集成观点设计出新的多子分类器网络结构和新的异常评分函数,并通过实验证明新的结构可以在不损失推理速度的前提下达到更好的性能,新的评分函数也优于现有的狄利克雷式评分函数。基于变换的判别式异常检测算法依赖数量繁多的前置变换,这极大地增加了模型推理时的复杂性和时间消耗。本文发现,推理时实际只需要包含少量变换的子集。然而,如何从变换池中选择出最优的子集是一个困难而又没有解决的问题。针对这一问题,本文提出了基于内在集成观点的变换选择框架,将变换选择问题转换为分类器选择问题,并提出了一种新的度量作为变换选择的标准。使用本文提出的变换选择框架,模型可以在较小精度损失的前提下实现72倍的推理时间加速。异常定位在实际生产中具有重要的视觉辅助作用。无监督式的异常定位被现有工作刻画为逐像素式分割任务。但是,逐像素式定位任务缺少具有强说服力的度量指标,标签标注困难,且在算法层面上高度依赖于图像的位置信息。针对这一现象,本文提出对异常定位做松弛,使用边界框预测任务代替逐像素式分割任务。本文还提出了一种基于边界框预测任务设计的判别式算法和对应的度量标准,并通过实验证实了在该标准下本文提出算法的有效性。