异常检测是机器学习领域的重要分支,当数据的产生过程表现为异常时,会导致异常事件的发生。在入侵检测系统、信用卡欺诈检测、工业传感器设备监测等领域中,异常检测都有广泛的应用,因此对于各应用领域的海量数据进行异常检测具有实际意义。本论文针对传统的异常检测模型在数据规模较大、维度较高等条件下,模型性能效果不佳的问题,提出了基于GAN-Tree的数据异常检测模型;同时为避免上述数据增强方法中生成样本标签的误差性,加入第二个生成对抗网络使生成样本与其对应的标签一致,提出了基于GAN-DP的数据异常检测模型。具体研究内容和结果如下:（1）设计基于GAN-Tree的数据异常检测模型。在原始生成对抗网络的基础上,利用生成式模型特性生成大量的异常样本,本文将生成样本与原始样本组合构造为类别平衡数据集,再将该数据集送入推理神经网络中预测异常样本,同时加入树系模型与参数优化算法微调推理神经网络的异常样本分类效果。结果表明,对比六种传统的机器学习模型,GAN-Tree数据异常检测模型能够达到最高的AUC值0.965,相比次优的CBLOF模型提高1.5%,综合性能优于传统的检测模型。（2）设计基于GAN-DP的数据异常检测模型。为使生成数据与其对应的标签一致,本文提出Info-GAN模型控制生成样本;之后将实际数据和生成数据与其对应标签组合构造为数据标签组输入到第二个GAN模型中训练;同时加入树系模型与参数优化算法精调推理网络以提高分类的准确性。结果表明,对比六种传统的机器学习模型,GAN-DP与GAN-Tree的综合性能出色,在ROC曲线、KS曲线、PR曲线三种异常检测指标上,GAN-DP分别达到最高值0.978、0.87、0.927,相比GAN-Tree分别提高了1.3%、4%、6.7%,佐证了GAN-DP可以对海量数据中的异常样本实现正确分类。（3）研究数据异常检测模型的应用效果。利用GAN-DP作为基准异常检测模型,同时将参数调整算法BOHB移植到树系模型中,进一步提高GAN-DP的样本分类能力。通过智能制造工业设备产生的数据与Pyod开源异常检测数据集验证模型的实际性能,结果表明,GAN-DP在工业真实数据集中的AUC值达到0.762,相比传统性能最优模型HBOS提升了12.4%,更符合实际应用;此外,在开源的Mnist数据集上,GAN-DP的AUC能达到0.99,效果相比次优模型PCA、OCSVM提高了12%。