在实践中,基于深度学习的分类模型经常会遇到明显偏离训练数据分布的未知（Out-Of-Distribution,OOD）样本,此时分类模型仍然可能以较高置信度将该样本识别成某种已知（In-Distribution,ID）类型,这会造成严重的后果。异常分布检测旨在确定模型的输入是来自训练数据分布的正常样本,还是来自其他分布的异常样本。异常分布检测对于确保模型的可靠性和安全性至关重要,尤其是高风险应用场景。例如,在无人驾驶中,希望系统能够在检测到未知/异常场景或物体而无法做出安全决策时,及时发出警报并且迅速将驾驶控制权移交给驾驶员。异常分布检测已经成为现实世界应用中安全部署模型的关键组成部分。这个问题于2017年首次提出,由于其重要性迅速引起了研究界的广泛关注。业界提出了越来越多的异常分布检测方法,包括基于分类的方法、基于密度的方法、基于距离的方法等。本文重点研究基于分类的方法,这类方法使用预训练完成的分类模型,从其特征空间、梯度空间、或者输出空间等域中,推导出一个衡量不确定性的度量函数,用于计算待测试样本的异常分数,以区分正常样本和异常样本。能量模型（Energy Based Model,EBM）是一种未归一化的概率模型,它通过捕捉变量与能量之间的相互依赖关系来对问题进行建模。能量模型用一个未知的归一化常数计算样本的概率密度,由于该未知参数通常难以估计,训练能量模型十分困难。而在基于能量的异常分布检测方法,并未涉及到训练能量模型的过程,可以直接使用能量分数计算待测试样本的异常分数,判断输入是否为异常。本文的工作采用能量分数的方式检测异常样本,提高了检测性能。稀疏表示试图用尽可能少的数据表达尽可能多的信息,可在高维空间中带来诸多好处,例如降低运算的开销、防止模型出现过拟合等。当前的异常分布检测方法,通常直接采用模型提取的信息去计算异常分数,在很大程度上忽略了稀疏表示的作用。本文的第一个工作在学习的过程中引入了稀疏模块,提出了一种基于稀疏优化方法的异常分布检测框架,根据辅助数据集的可用性,分别提出两种优化策略:辅助数据集可用情况下的稀疏正则化方法,以及不可用情况下的稀疏异常值暴露方法。异常值暴露借助一些真实存在的多样化数据作为辅助异常样本,建立了一种新的异常分布检测范式。这类方法在实验中采用了一个相当大规模的辅助数据集,与正常训练样本的比例悬殊太大,实验设置显得十分不合理。在开放世界环境中,由于客观条件限制,难以对所有可能的未知分布进行建模。本文的第二个工作构造了一个微型的辅助数据集,优化了实验设置,并验证了实验结果的可靠性。另外,从信息论的角度,给出了异常值暴露方法的一种理论解释。