促进制造业转型升级与推动工业智能化发展是当今世界的发展趋势，对自动化缺陷检测技术的研究是其中重要的一环。异常检测是实现自动化缺陷检测算法的技术路线之一，与其他缺陷检测算法相比，异常检测算法的训练过程不需要缺陷数据及其标注，这使得异常检测算法具有成本低、适用范围广的优势。因此，对异常检测算法的研究可以为制造业转型升级与工业智能化发展提供技术支撑，具有重要现实意义。本文以基于图像重构的异常检测方法作为研究方向。并针对当前基于图像重构的异常检测算法中主要存在的异常漏检、异常过检、以及检测效率三个难点问题进行研究，提出了三个基于图像重构的异常检测算法。本文的主要工作和贡献在于：

（1）针对异常漏检问题，提出了基于参考图像辅助修复的异常检测算法。由于漏检问题是由输入图像中正常信息缺失过多导致的，因此该算法从向输入图像中补充正常图像信息的角度解决漏检问题。该算法首先引入训练集中与当前输入最相似的正常图像作为参考图像，并通过参考图像与输入图像之间的相似度对异常区域进行预定位。随后，该算法在预定位的异常区域生成混合图像掩膜，在保留输入图像信息的同时引入了参考图像上的正常图像信息。在该算法的重构网络前三层，本文设计了特征填充模块，特征填充模块通过区分掩膜区域特征与逐步修复掩膜区域的方式，进一步提升了模型对异常区域的修复能力，并增大异常区域在重构前后的差异，缓解漏检问题。

（2）同时针对异常漏检与异常过检问题，本文提出了融合先验信息的双支路异常检测算法。对于异常漏检问题，该算法直接从向重构网络中引入训练集均值图这一先验信息。考虑到不一定所有先验信息都是修复异常区域时需要的，本文设计了限制注意力机制用于筛选重构网络修复异常区域时需要的先验信息，并将筛选后的信息引入重构网络中。通过这种方式，该算法提升了重构网络对异常区域的修复能力，进而缓解异常漏检问题。
由于异常过检问题是由重构后的图像在正常区域的纹理等细节上与输入图像存在差异导致的，本文提出了双支路自编码器结构，该结构在重构正常图像外，也将输入图像的正常区域修改为与重构的正常图像一致。这使得以上两张图像只在异常区域存在差异，因此分割网络不会将输入图像中的正常区域判断为异常，进而避免异常过检问题。
 
（3）同时针对异常漏检、异常过检、以及检测效率问题，本文提出了融合重构与分割的异常检测算法。该算法首先将重构与分割融合在一个网络中，减少了一次图像特征提取过程，进而提升了模型的检测效率。由于该算法结构直接在特征图级别挖掘输入与重构之间的差异，充分利用了特征图信息，因此该算法结构也在一定程度上缓解了异常漏检问题。为了进一步解决异常漏检与过检问题，该算法在其分割模块中通过高层语义引导与多层语义监督两个模块解决漏检与过检问题。其中高层语义引导将高层特征图的语义信息引入低层特征图中，多层语义监督模块对分割模块中各层特征图上的语义信息进行监督与调整。以上两个模块的加入使得分割模块中各层特征图上的语义信息更为准确，因此可以同时缓解异常漏检与过检问题。

综上所述，本文提出了三种异常检测算法，缓解了当前基于图像重构的异常检测算法中存在的异常漏检、过检以及检测效率问题。本文的研究有利于提升异常检测算法的精度与效率，并为实现高效率、高准确性的自动化缺陷检测提供了有效的技术支撑。