Wir präsentieren einen zweistufigen Rahmen für tiefe One-Class-Klassifikation. Zunächst lernen wir selbstüberwachte Darstellungen aus One-Class-Daten und bauen anschließend One-Class-Klassifikatoren auf Basis dieser gelernten Darstellungen auf. Der Rahmen ermöglicht nicht nur die Lernung besserer Darstellungen, sondern erlaubt auch die Konstruktion von One-Class-Klassifikatoren, die der Zielaufgabe treu bleiben. Wir argumentieren, dass Klassifikatoren, die sich an der statistischen Perspektive in generativen oder diskriminativen Modellen orientieren, effektiver sind als bestehende Ansätze, wie beispielsweise ein Normalitäts-Score aus einem Ersatz-Klassifikator. Wir evaluieren ausführlich verschiedene Algorithmen zum selbstüberwachten Lernen von Darstellungen unter dem vorgeschlagenen Rahmen für die One-Class-Klassifikation. Darüber hinaus stellen wir eine neuartige verteilungsverstärkte kontrastive Lernmethode vor, die die Trainingsverteilung durch Datenverstärkung erweitert, um die Uniformität der kontrastiven Darstellungen zu stören. In Experimenten zeigen wir state-of-the-art-Leistungen auf Benchmark-Daten für visuelle One-Class-Klassifikation, einschließlich Neuheits- und Anomalieerkennung. Schließlich präsentieren wir visuelle Erklärungen, die bestätigen, dass der Entscheidungsprozess tiefer One-Class-Klassifikatoren intuitiv für Menschen ist. Der Quellcode ist unter https://github.com/google-research/deep_representation_one_class verfügbar.