我们旨在构建一种高性能的缺陷检测模型，能够在未使用异常数据的情况下识别图像中未知的异常模式。为此，我们提出了一种仅使用正常训练数据的两阶段框架，用于构建异常检测器。首先，通过自监督学习获取深层特征表示；随后，在所学习的表示基础上构建生成式一类分类器。我们通过CutPaste这一简单的数据增强策略来学习特征表示：该策略将图像的一个局部区域裁剪并随机粘贴到另一位置，从而实现对正常数据的分类学习。在MVTec异常检测数据集上的实证研究表明，所提出的算法具有良好的泛化能力，能够有效检测多种真实世界中的缺陷类型。当从零开始学习表示时，相比先前方法，我们的方法在AUC指标上提升了3.1个百分点。而在基于ImageNet预训练表示的迁移学习设置下，我们取得了96.6的AUC，达到了新的最先进水平。最后，我们将该框架扩展至从图像块（patch）级别学习并提取特征，从而在无需训练阶段标注信息的情况下实现对缺陷区域的精确定位。