基于卷积神经网络（CNN）的异常检测与分割方法普遍存在对噪声过于敏感或敏感性不足的问题，导致在测试阶段异常模式仅被部分检测到。以往的方法虽能区分正常与异常图像，却难以高精度定位测试图像中的异常区域。为解决这一问题，本文提出一种两级CNN模型——粗粒度到细粒度异常分割与检测方法（TASAD，Two-stage CNN for Coarse-to-Fine Anomaly Segmentation and Detection）。在TASAD的两个阶段中，模型均在正常与异常样本的混合数据集上进行训练。其中，异常图像通过从异常源图像中自动生成的伪异常模式插入获得。我们引入一种新颖且精细的异常注入技术，以生成多样化的异常样本。在第一阶段，设计了粗粒度异常分割（Coarse Anomaly Segmentation, CAS）模型，该模型以整幅图像作为输入；第二阶段则在图像块（image patches）上训练细粒度异常分割（Fine Anomaly Segmentation, FAS）模型。FAS模型通过优化CAS模型部分检测出的异常模式，进一步提升检测与分割性能。我们在MVTec数据集上训练该框架，并与当前最先进的（SOTA）方法进行对比。实验结果表明，所提出的架构不仅模型尺寸更为紧凑——仅为SOTA方法的四分之一，同时在像素级精度方面表现更优。此外，TASAD可作为通用模块集成至现有SOTA方法中，进一步提升其异常检测性能。实验验证，当应用于最新的SOTA方法时，TASAD使原有方法的平均精度（AP）提升6.2%。为保证结果的可复现性，代码已公开于：https://github.com/RizwanAliQau/tasad.git。