在制造工艺中，检测制造缺陷对于保障产品质量与安全标准至关重要。由于许多缺陷发生频率极低，且其特征在事前大多未知，因此缺陷检测仍是当前开放的研究课题。为此，我们提出 DifferNet：该方法利用卷积神经网络提取特征的描述能力，结合归一化流（normalizing flows）对特征密度进行估计。归一化流在处理低维数据分布方面表现优异，但难以应对图像的高维特性。为此，我们设计了一种多尺度特征提取器，使归一化流能够为图像分配具有实际意义的似然值。基于这些似然值，我们构建了一个评分函数，用于指示缺陷的存在。进一步地，通过将评分反向传播至图像，可实现像素级的缺陷定位。为实现高鲁棒性与高性能，我们在训练与评估阶段引入了多种变换策略。与大多数现有方法不同，我们的方法无需大量训练样本，在仅需16张图像的情况下仍能取得良好性能。我们在具有挑战性的新提出数据集——MVTec AD 和 Magnetic Tile Defects 上验证了 DifferNet 相较于现有方法的优越性能。