异常检测已经被广泛应用于网络安全、模式识别、数据挖掘等应用领域。异常检测旨在发现正常模式中的异常模式。无监督异常检测方法通过对样本的概率分布估计来发现异常数据,是当今异常检测主要采用的方法之一。已有的无监督异常检测方法通常只对数据的原始特征进行分析,忽略了数据间隐含的关联性信息,导致异常检测效果不甚理想。本文针对此问题提出了基于关联感知的无监督深度异常检测模型。为了提取数据的关联性信息,本文通过图结构对数据间关联性进行建模。首先,在数据的原始特征空间中,使用k最近邻算法(k-nearest neighbor,k-NN)来对数据的相似性进行分析;然后,根据数据之间的相似性来构建无向图,以此表示数据间关联性;最后,设计数据间关联性挖掘方法,对数据之间关联性信息进行深入挖掘。为了利用数据的关联性信息,本文设计了基于关联感知自编码器的高斯混合模型(Correlation-aware autoencoders in Gaussian mixed model,CAAE-GMM),设计基于高斯混合模型的估计网络,以深入挖掘的数据间关联性信息为输入,估计数据的概率分布,并基于此进行异常检测;然后,在CAAE-GMM的基础上,提出了双路自编码器,设计了基于关联感知双路自编码器的高斯混合模型(Correlation-aware dual-autoencoders in Gaussian mixed model,CADAE-GMM),模型使用两个并联编码器结构,对数据的原始特征和数据关联性信息分别进行挖掘,并将得到的两种特征进行融合,获得融合特征。同时,为减少数据降维过程中信息的丢失,将重构误差作为重构特征与融合特征级联获得数据的低维嵌入,最终将其输入到基于高斯混合模型的估计网络来估计数据的概率分布,并基于此进行异常检测。实验结果表明,本文模型可从不同侧面充分挖掘数据包含的各种特征信息,最大化异常检测模型对各类数据的异常检测能力。