我们提出了一种基于深度学习的新型异常检测（Anomaly Detection, AD）系统，该系统通过共享特征提取器，将像素级分类网络与条件归一化流（Conditional Normalizing Flow, CNF）网络相结合。首先，利用合成的异常数据训练像素级分类网络，以微调CNF网络的预训练特征提取器，从而学习到域内数据的判别性特征。随后，使用正常数据并结合已微调的特征提取器，对CNF网络进行训练，以估计正常数据的密度分布。在推理阶段，通过计算像素级分类网络与CNF网络异常得分的加权平均值来实现异常检测。由于所提出的系统不仅学习了域内数据的内在特性，还融合了分类网络与CNF网络的异常得分信息，因此在MvTecAD和BTAD数据集上的实验中，其性能显著优于现有方法。此外，由于分类与密度估计两个模块共享特征提取器，该系统并未显著增加计算开销。