摘要：随着深度学习的发展,深度自编码器被广泛应用于异常检测任务中.然而,现有一些基于深度自编码器的异常检测算法仍存在数据分布复杂多样、误报率、漏报率高等问题.为解决以上问题,本文提出了一种基于深度自编码器的自适应异常检测算法,该算法采用基于密度峰值的自适应地标过滤机制,自适应地选择密度高的样本作为候选地标中心,旨在发现潜在特征空间中正常样本的多样性.其次,利用地标过滤机制对候选地标中心进行过滤和优化,以此增强地标中心的代表性和稀疏性.然后,进一步设计了一种新颖的损失函数来迭代优化模型参数,旨在增强正常样本与地标中心之间的相关性.最后,将所提出的异常检测算法应用于电池故障诊断,实证结果表明本文的工作在准确度、误报率和漏报率等方面显著优于现有一些异常检测算法,可以有效识别故障电池,能够为电池故障识别与状态管理提供技术支持和精准服务.