无监督异常检测与定位在难以获取和标注充足异常数据的实际应用场景中至关重要。现有的大多数基于表示的方法通常利用深度卷积神经网络提取正常图像的特征，并通过非参数化分布估计方法刻画其特征分布，再通过计算测试图像特征与估计分布之间的距离来获得异常得分。然而，现有方法在将图像特征映射到可处理的基分布方面效果有限，且忽略了局部特征与全局特征之间的关联性，而这种关联对于准确识别异常至关重要。为此，本文提出FastFlow，该方法基于二维归一化流（2D normalizing flows）构建，并用作概率分布估计器。FastFlow可作为即插即用模块，与任意深度特征提取器（如ResNet、视觉Transformer等）无缝集成，用于无监督异常检测与定位任务。在训练阶段，FastFlow学习将输入的视觉特征映射至一个可解析的分布，并在推理阶段通过计算似然值实现异常识别。在MVTec AD数据集上的大量实验结果表明，FastFlow在不同主干网络下均显著优于先前的最先进方法，在检测精度和推理效率方面均取得优异表现。该方法在异常检测任务中实现了高达99.4%的AUC值，同时具备极高的推理效率。