随着工业时代不断地发展,我国的制造业正在经历一个数字化转型的时代,智能工业已成为各个制造业公司和企业的关注重心。图像异常检测领域作为智能工业的研究方向之一,正越来越受到人们的关注。由于计算机和深度学习技术的蓬勃发展,传统的图像异常检测方法的表现不如基于深度学习的异常检测方法的效果好,如何提高效率、尽可能地减少人工的成本正慢慢成为制造业领域的一个十分关注的问题。但是,目前的基于深度学习的异常检测方法较多属于有监督学习方法,有监督学习方法往往需要大量已标注的数据和较大的人工成本,而且效率较低,在实际应用的过程中,存在一定的局限性。因此,本文提出了面向工业异常检测的新型AnoGAN无监督异常检测网络,对工业异常数据集进行异常检测工作,研究内容主要有以下两点:（1）提出了一种新的无监督异常检测网络。异常的图像数据通常具有样本数量不平衡以及异常结构未知等问题,所以本文提出了通过无监督学习的算法来对异常的图像进行探测和定位。该方法无需使用已经标记的数据,解决了异常图像数据稀少,样本不平衡的问题,减少了人工成本,且准确率较高。（2）提出了一种新的异常生成方法。生成高质量的异常图像是提高异常检测模型性能的关键因素,传统的Perlin噪声发生器产生的是全局随机噪声,导致生成的异常容易出现在图像的背景之中,从而可能会产生不利于模型学习的样本。为了解决这个问题,本文结合目标检测算法LDF（Label Decoupling Framework）,提出了一种新颖的异常生成模块,该模块旨在图像中较为突出的区域而不是背景区域生成异常,从而生成高质量的异常样本。