异常是指各种不符合估计或违反常规条件的数据或行为,广泛存在于如信用卡消费中欺诈行为、数据库中数据泄露、网络入侵以及工业控制系统等各应用领域中。异常往往比正常所携带的信息更多也更为重要,比如设备运行异常则意味着系统可能存在故障或被人为恶意攻击。因此,快速准确地检测出系统异常,对保障信息基础设施的安全,有着重要的现实意义。针对当前无监督异常检测算法对于不同类型的高维数据检测效果差的问题,本文在通过深入探究无监督异常检测方法和深度生成模型后,提出了基于深度生成模型的无监督异常检测算法,用于处理不同类型的数据,提高了异常检测的准确率。本文采取的主要方法和创新之处如下:（1）提出了一种不需要过多先验知识的无监督异常检测模型,采用序列覆盖算法计算数据之间的相似性,通过多层聚类算法建立正常数据模型。模型在4个ICS数据集上进行了实验,平均检测率为96.7%,误报率为0.7%,能有效提高检测率,降低误报率。（2）针对当前无监督方法很少利用系统中多个变量之间的时空相关性及其依赖关系来检测异常等不足,将一维卷积神经网络（1D＿CNN）与门控递归单元（GRU）结合,充分学习传感器和控制器的参数值在时空上的相关性,构造了一种预测工业控制系统中传感器/控制器参数预测的网络模型。模型在SWa T数据集上进行了验证,实验结果表明,可较好地实现工业控制系统的异常检测,平均准确率为0.99,召回率为0.85,F1值为0.91。（3）由于基于生成模型的异常检测算法是利用样本的重建损失进行异常检测的,但该方法存在两个不足:一是生成模型的泛化能力过强导致部分异常的重构损失较小;二是背景信息会干扰异常值的计算,本文构建了一种MHMA（Multihead Memory Autoencoder）异常检测模型,采用变分自编码器作为生成模型,使用多头结构将解码器的最后一层划分为多个分支,以学习和生成一个多样化的样本分布,通过结合生成对抗网络将模型的泛化能力保持在合理的范围内,最后通过似然比方法在计算异常值过程中去除背景信息的干扰。实验结果表明,与主流模型相比,MHMA不仅提高了异常检测的效果,而且具有更好的通用性。