随着机器学习与深度学习的不断发展,计算机视觉已经逐渐成为各大领域持续研究并应用的领域,因此异常检测技术逐渐出现在人们日常生活中的方方面面,尤其是在工业工厂领域,异常检测技术的不断成熟不仅提高了缺陷产品的检测率,减轻了工人的劳动时间与工厂的用人成本,而且极大地降低了工厂因缺陷产品而产生的成本。但是面对异常样本十分稀缺的情况下,如何训练模型来提高检测缺陷产品的准确性就成为了异常检测领域中一个需要解决的问题。异常检测的目的是为了准确地找出离群点（负样本）,即区分出所有样本中的正常样本与异常样本。本文通过训练大量数据,使得模型可以区分出正常样本与异常样本,并定位到样本缺陷所在的位置。支持向量数据描述（SVDD）是一种在特征空间中做异常检测经典的算法,本文对不同种类共十五种工业产品样本来进行研究测试,提出了一种新的基于支持向量数据描述的自监督学习的异常检测模型,并开发了一个实用性比较强的工业产品表面缺陷的异常检测模型。本文的主要工作内容如下:（1）针对工业产品需要定位产品缺陷所在位置的问题,本文提出了一种基于支持向量数据描述的工业产品表面缺陷检测的模型Tune Patch。因为工厂常常有需要定位产品缺陷所在位置的需求,所以本文通过对图像分块来做一个细粒度的检查以获取到异常存在的位置,便于工厂进行有针对性地检查,提高检测效率。实验证明该模型在13类样本上有所提升,尤其是纹理类样本提升很多。（2）为了进一步提升模型检测的准确率,本文加入了VIT（Vision Transformer）模型,并加入了BERT中的MLM任务,提出了VIT Patch和Mask Patch模型,实验证明该模型在对象类上表现比较好;同时为了解决维度爆炸问题,本文在测试的时候于patch embedding之前进行了一次卷积。（3）本文在进行多次实验后,总结出了效果好的算法模型,提出了针对工厂工业零件表面缺陷的异常检测模型,同时设计并实现了工业产品缺陷检测系统。该系统包括用户权限管理模块、模型参数配置模块、模型训练模块以及模型实验模块。用户权限管理模块赋予不同用户使用该系统的不同权限;模型参数配置模块让高级用户有权限配置不同的参数以便更好地训练模型适用不同样本的需要;模型训练模块适用于异常检测系统的研发人员,可以选择训练数据集、看到参数配置、训练数据以及训练结果等;模型训练模块面向两类不同用户,一类是该系统的使用用户即商家,该类用户无需关心模型实现之前的所有细节,只需要得到训练结果即产品表面缺陷存在的位置。另一类面向的则是使用该模型的开发人员,可以看到训练过程的一切数据,便于随时调整模型的参数以适用于不同种类的样本。