Tiefes Lernens-Neuronales Netzwerk dient als leistungsfähiges Werkzeug für die visuelle Anomalieerkennung (AD) und Fehlerdiagnose, was auf seine starke abstraktive Interpretationsfähigkeit im Repräsentationsraum zurückzuführen ist. Die tiefen Merkmale, die aus neuronalen Netzen stammen, die auf der ImageNet-Klassifizierungsaufgabe vortrainiert wurden, haben sich für die AD basierend auf der Gauss-Diskriminanzanalyse als nützlich erwiesen. Allerdings nimmt mit der stetig wachsenden Komplexität tiefgehender neuronaler Netzwerke die Menge der tiefen Merkmale stetig zu, wodurch Redundanz unvermeidbar wird. Redundante Merkmale erhöhen den Rechenaufwand und verschlechtern die Leistungsfähigkeit der AD-Methode. In diesem Artikel diskutieren wir die Auswahl tiefgehender Merkmale für die AD-Aufgabe und zeigen, wie die Redundanz im Repräsentationsraum reduziert werden kann. Wir stellen eine horizontale Merkmalsauswahl (Dimensionsreduktion) mittels Unterraumzerlegung sowie eine vertikale Auswahl vor, um die effektivste Netzwerkschicht für AD und Fehlerdiagnose zu identifizieren. Die vorgeschlagene Methode wird an zwei öffentlichen Datensätzen getestet, einem für die AD-Aufgabe und einem anderen für die Fehlerdiagnose von Lagern. Wir zeigen die Bedeutung verschiedener Netzwerkschichten und Merkmalsunterräume für die AD-Aufgabe und belegen die Wirksamkeit der Merkmalsauswahlstrategie.