异常检测技术在社会的安全稳定和人们的健康生活方面发挥出越来越大的作用。由于现实生活中数据维度高,异常数据相对正常数据常常更加难以获取,且存在大量未知异常,传统的基于判别式模型的检测方法此时往往效果较差,需要研究更加有效的算法。针对以上问题,本文研究深度生成模型,其可以对正常数据的模式分布进行建模并依据测试样本与正常模式的差异性来检测异常。本文在分析了自编码器和生成式对抗网络两个常见深度生成模型在异常检测中的优缺点的基础上,从自编码器的结构进行改进,为其引入判别器,利用判别器进一步提高自编码器的对正常数据模式的建模能力,并对潜在空间向量添加约束,使其符合标准正态分布,从而使解码器可以从正态分布中采样来产生新的训练数据,提高解码器对正常数据的重建能力。本文还对异常分数的计算进行了改进,使用基于特征的重构误差作为异常分数,从而缓解基于像素的重构误差容易漏检模式相对简单的异常数据的问题。通过以上改进后的深度生成模型在基准数据集上的异常检测性能指标AUC平均值为0.871,比其他检测方法效果更好。本文对卷积计算和非线性激活函数等模块的实现进行了详细的分析,并在赛灵思公司的高层次综合软件Vivado HLS上进行了仿真。在PYNQ-Z2开发板上的验证结果表明,所设计的方案在硬件上的平均AUC值依然达到了0.851,优于其他检测方法的性能。