随着大数据与自动化时代的飞速发展,人们对于数据的正确性与自动化过程中安全性要求越来越高,异常检测任务也越来越受到人们重视。异常检测任务主要有两个挑战:首先,异常产生的机制是不确定,无法对所有异常的事件进行枚举,这样就导致无法通过固定的模式来检测异常的发生,并且随着数据爆发式增长的社会,人工检测已经远远满足不了需求,且实时性也无法获得保障;其次,异常检测任务中存在着巨大的数据倾斜问题,即正常的数据远远大于异常的数据,但往往这类微小的异常足以造成很大的问题。近来,随着深度学习的快速发展,已经有越来越多的研究工作将深度学习应用到异常检测任务中来,为了解决以上问题,大部分的工作都采用了弱监督的学习方法来训练网络模型,即只使用正常数据训练网络,在测试时加入异常样本验证模型的有效性。然而现有的工作中还存在着一些问题,异常检测任务还有很大的探索空间,主要包括:1)不能高效地提取数据中的特征,现有的方法通过自编码器提取出来的特征缺乏针对性,并且忽略了数据中的时序信息;2)人为对特征添加的先验信息使模型丧失了部分一般性。本文针对以上问题分别提出了一个方法,本文的主要贡献包括:1)基于专家乘积自编码器的异常检测算法。该方法基于双流自编码器结构提取数据中空间与时序上的特征,通过两个估计网络对不同特征进行建模以及参数估计,最后引入了专家乘积系统将不同子模型高效地结合在一起。2)基于自监督的异常检测算法。该方法提出了一个基于自监督的对比学习与基于重构的自编码器结构,通过数据增强的方式构造对比学习正负样本对,并设计了对比网络模块学习拉大正负样本对之间的距离,使编码器更加高效地提取数据内部的特征,从而摆脱对特征的预设先验,同时使用自编码器对原数据进行重构。3)本文中还根据异常检测的实际应用场景构建的仿真环境数据集,数据集包括不同场景下的不同条件（如光照,气候等）正常样本数据与异常样本数据,用来探究异常检测算法在实际应用中影响算法性能的各个因素。本文在多个公开数据集上及构建的数据集上设计了对照实验与消融实验验证了模型的有效性与优越性,在公开数据集上的表现相比于其它方法均有所提升,本文还讨论了各个模块的有效性及对性能的影响。