缺陷检测是智能制造中的一个关键环节。工业产品缺陷具有复杂性和多样性的特点,针对缺陷标注需要极高成本和专家知识的问题,研究一个特殊的挑战:冷启动问题。即研究如何仅使用无缺陷图像作为训练样本,使得模型能够检测任意非正常样本,除了实现区分样本正常与否的任务,还要实现对缺陷的定位。首先,提出了一种基于距离度量的异常检测框架,该框架包括预训练模型参数优化、多尺度特征提取、建立特征知识库、异常评估。同时,提出核心集子采样方法降低推理时间,提高效率。（1）参数优化:为了使训练模型更适应目标域的检测任务,实现正常与异常模式的特征解耦。提出基于伪造异常自监督学习和自聚类方法训练网络,在预训练模型的基础上针对具体任务进一步优化模型。（2）多尺度特征提取:为了检测和定位图像中的多尺度异常,提取神经网络的中间层特征作为图像的特征编码,结合丰富的颜色纹理与语义信息,以每一特征向量代表图像中的对应区域,以实现对局部区域的异常检测,从而定位图像中的异常。（3）评估异常:为了更综合地评估异常,提出基于欧式距离的K近邻加权异常评估方法。对正常样本的特征建立了特征知识库,以测试样本图像的特征编码与库中的特征的距离来衡量样本的异常程度。（4）降低推理时间:为了实现更快速的推理,提出一种核心集子采样方法,并对特征做随机线性投影降维。该方法不仅可以在维持高性能的前提下大大减少所需的推理时间,同时可以很好地检测和定位结构性和非结构性多尺度异常。研究和实验表明,预训练模型在经过自监督学习和自聚类损失参数优化,显著提高了对具体任务的特征提取能力,也表明了神经网络中间层可以很好地表征图像的颜色和纹理信息,提取的局部区域特征可以有效实现异常的定位。核心集子采样方法在保持原有性能的基础上极大地降低了计算量,提高了检测速度。该研究的方法应用在标准数据集MVTec AD上,在检测和定位方面都表现出优异的性能,图像级异常检测AUROC平均分数达到97.86%,像素级异常检测AUROC平均分数达到98.42%,与最新的方法相比,在检测精度和检测效率上有显著的提高。同时,实验表明,在实际工业生产中采集的电机换向器端面数据上,该方法也表现出具有竞争性的性能。另外,提出了一种基于高斯混合模型的针对换向器端面的异常伪造方法,该方法采用基于高斯混合模型的先验异常图提取方法,并且将其作为先验信息添加到分割决策网络,使得网络更加关注高概率为异常的区域。分割决策网络的训练仅需使用伪造异常和先验信息训练,即可获得优异的性能。该研究表明,使用该方法不仅可以对真实样本进行有效的检测,同时还可以去除常规分割方法可能出现的检测噪点,性能上与使用真实样本训练的分割网络相媲美。