视觉表面异常检测旨在识别与正常外观显著偏离的图像局部区域。近年来的表面异常检测方法主要依赖生成模型，以精确重建正常区域，并在异常区域上表现失败。这类方法仅在无异常图像上进行训练，通常还需依赖人工设计的后处理步骤来实现异常定位，这限制了特征提取能力向最优检测性能的优化。除了重建式方法之外，本文将表面异常检测主要视为一个判别性问题，提出了一种判别性训练的重建异常嵌入模型（Discriminatively Trained Reconstruction Anomaly Embedding Model, DRAEM）。该方法在学习异常图像与其无异常重建版本的联合表示的同时，还同步学习正常样本与异常样本之间的决策边界。该方法无需额外复杂的网络输出后处理，即可实现直接的异常定位，并可通过简单且通用的异常模拟方式进行训练。在具有挑战性的MVTec异常检测数据集上，DRAEM显著超越了当前最先进的无监督方法；而在广泛使用的DAGM表面缺陷检测数据集上，其检测性能甚至接近全监督方法，且在定位精度方面实现显著超越。