异常检测是一项重要且具有挑战性的任务,要求所构建的异常检测模型能够从数据中甄别出具有差异的数据。从传统的机器学习算法到流行的深度神经网络,异常检测任务一直是研究热点。同时,针对该任务的研究是非常实际意义的。在智能安防领域,可用于侦测视频中发生的异常事件;在网络安全中,可用于监听网络攻击并且抵御非法攻击;在智能制造领域,可用于工业品的瑕疵和缺陷检测。异常检测任务一个固有的问题是:异常的多样性以及稀缺性导致难以进行收集和标注,缺乏可有效利用的监督信息。因此,本文主要研究基于内存模型的无监督异常检测算法,即只使用正常数据进行训练,而模型在测试时能够检测异常。本文借助当前深度学习方法和内存模型,针对视觉异常检测、入侵检测和工业异常检测三个子问题展开相关研究。本文的主要研究工作和成果如下:1.针对当前视觉异常检测算法的不足,本文提出一种基于内存模型增强的网络用于视觉异常检测。该模型基于自编码器结构,并提出借助内存模型来存储正常图像的潜在空间特征,使异常图像会被重建为正常图像,以此来增大异常图像的重建差异。而且,本文提出将内存模型同密度估计网络相结合,使用密度估计网络来学习正常图像数据的概率分布,以此检测异常图像。最后,本文提出两阶段训练的方式,加速模型的收敛及提升模型的性能。2.针对当前入侵检测算法的不足,本文提出了一种新颖的基于内存模型增强的自编码器用于物联网入侵检测。该模型摒弃有监督学习的方式,而采用自编码器的无监督学习方式,有效解决了数据集类别不平衡和未知异常难以检测的问题。本文将网络结构数据进行预处理,输入基于卷积神经网络的自编码器。同时,本文提出使用内存模型来存储正常请求的潜在空间特征,且使用特征重建损失和特征稀疏损失来约束内存模型,增强了内存模型的表征能力和内存单元的多样性。3.针对当前工业异常检测算法的不足,本文提出了一种创新的基于内存分块模型增强的教师学生网络模型用于工业异常检测。模型将教师网络对正常数据的特征表达蒸馏到带有内存分块模型的学生网络,使用两个网络对图像区域的特征表达差异作为评估异常标准。本文提出使用内存分块模型来存储正常特征,从而扩大对异常区域特征表达的差异性。并且,内存分块模型提出对特征图进行分区域存储,提升对空间位置的表达性,消除对图像内容空间位置的不敏感性。