长期以来，无监督学习在异常检测领域始终是图像处理研究的核心，也是实现高性能工业自动化流程的重要基石。随着卷积神经网络（CNN）的兴起，研究者们提出了多种方法，包括自编码器（Autoencoders）、生成对抗网络（GAN）以及深度特征提取等。本文提出了一种基于知识蒸馏（knowledge distillation）这一具有前景的新概念的创新方法：在正常样本上训练一个小型网络（学生网络），同时利用一个更大的预训练网络（教师网络）的输出作为指导。本文的主要贡献有两点：首先，提出了一种经过优化的轻量化学生网络架构，通过最优层选择显著提升效率；其次，设计了一种新型的学生-教师架构，通过引入双教师机制以减少网络偏差，从而在提升异常检测性能的同时，显著增强异常定位的准确性。所提出的纹理异常检测方法在检测各类纹理缺陷方面表现出卓越能力，且推理速度优于当前最先进（SOTA）的方法。