生成式对抗网络(Generative Adversarial Nets,GAN)和对抗自编码器(Adversarial Autoencoder,AAE)被成功地应用于图像生成。此外,对抗网络能够无监督地对样本中所包含的数据特征进行学习。然而,将传统的对抗网络应用于异常检测时则会取得较差的分类效果,原因存在于两个方面:一是GAN属于生成式模型,而异常检测模型往往归入判别式模型的范畴;二是现有的AAE以自编码器的中间向量作为判别输入,对数据的重构效果不够理想。为了使对抗网络适用于解决异常检测问题,本文提出了两种基于双判别对抗学习的异常检测方法,具体如下:1.提出了基于全局和局部判别对抗自编码器的异常检测方法。所提模型由一个自编码器和两个判别模型构成。在训练阶段,所提模型的学习过程由极小化自编码器的重构误差和两组对抗过程构成,能够有效地避免对抗学习中可能出现的模式崩溃问题;在测试阶段,利用经过双判别器训练后的自编码器对待测样本进行重构,能够有效地提高模型检测异常数据的性能。在MNIST、Fashion-MNIST以及CIFAR10上的实验结果表明,所提方法能够有效地避免训练过程中可能出现的模式崩溃问题,此外,与相关方法对比,所提方法取得了更优的检测性能。2.提出了基于双判别器生成式对抗网络的异常检测方法,所提模型利用双判别器生成式对抗网络生成与训练集中的少量异常数据分布相同的样本,然后将原训练集和新生成的异常数据混合在一起,构成新的训练集,学习一个两类分类器。由于引入了双判别器,所提方法亦可有效地避免对抗学习中可能出现的模式崩溃问题。最后,在MNIST和Fashion-MNIST上与相关方法进行了比较,验证了所提方法的有效性。