In diesem Paper behandeln wir das Problem der Bildanomalieerkennung und -segmentierung. Die Anomalieerkennung erfordert eine binäre Entscheidung, ob ein Eingabebild eine Anomalie enthält, während die Anomaliesegmentierung darauf abzielt, die Anomalie auf Pixelebene zu lokalisieren. Die Support-Vektor-Datenbeschreibung (SVDD) ist ein etabliertes Verfahren zur Anomalieerkennung, das wir auf eine tiefenlernenbasierte, patchbasierte Methode erweitern, die selbstüberwachtes Lernen nutzt. Diese Erweiterung ermöglicht sowohl die Segmentierung von Anomalien als auch eine Verbesserung der Erkennungsleistung. Insgesamt steigern sich die Leistungsmaße für Anomalieerkennung und -segmentierung, gemessen an der AUROC auf dem MVTec AD-Datensatz, gegenüber den vorherigen State-of-the-Art-Methoden um jeweils 9,8 % und 7,0 %. Unsere Ergebnisse belegen die Wirksamkeit des vorgeschlagenen Ansatzes und dessen Potenzial für industrielle Anwendungen. Eine detaillierte Analyse des Verfahrens liefert zudem Einblicke in sein Verhalten, und der Quellcode ist online verfügbar.