随着我国制造业数字化转型升级,工业互联网已经成为互联网公司、制造企业以及各个智能化企业多方关注的焦点。异常检测作为目标检测的一个分支在工业互联网中有着十分重要的作用。使用人工智能算法可以解决人工处理异常数据的稳定性差、生产效率低和自动化程度低的问题,但是传统图像异常检测算法不能针对性地解决异常数据类别不均衡且结构复杂的特性。因此,本文提出了基于GANomaly和U-Net的无监督工业图像异常检测算法,对企业中获取的棉线棉结异常图像、标准工业图像数据集等进行异常检测,本文的研究内容包括以下几点:（1）构建了无监督图像异常检测模型。由于异常数据具有样本不平衡、数据结构未知性等特点,本文提出了使用无监督的学习方法对图像异常数据进行检测。无监督异常检测模型通过训练阶段和测试阶段完成异常检测任务,该过程无需使用标注数据,解决了异常数据标注难的问题,且在模型训练过程中具有高效、准确率高等优点,可被应用于各种工业场景下的图像异常检测任务中。（2）提出了基于GANomaly和U-Net的工业图像异常检测算法。首先,在GANomaly的基础上将U-Net结构加入生成器中,使用跳跃连接将编码器与解码器连接可以在图像重构过程中保留更多的图像特征,从而提高图像重构效果。其次,将判别器以DCGAN为基础作为特征提取器,提取判别器网络中的图像特征,对真实图像以及生成图像在潜在空间中进行对比。最后,分别在真实场景下的棉线棉结图像数据集和标准工业图像数据集MVTec AD上进行算法实验,均表明本文模型的准确率及检测精度较高,模型的泛化能力较强。（3）基于上述研究方法与结果,设计并实现了基于工业互联网的图像异常检测系统。将无监督图像异常检测算法嵌入系统,通过输入图像对异常数据进行实时检测并显示结果,保证工厂在生产过程中的产品质量,进而提高生产效率。