L'identification des intentions d'utilisateurs inconnues (nouvelles) qui n'ont jamais apparu dans l'ensemble d'entraînement est une tâche complexe dans les systèmes de dialogue. Dans cet article, nous présentons une méthode en deux étapes pour la détection d'intentions inconnues. Nous utilisons un réseau de mémoire à court et long terme bidirectionnel (BiLSTM) avec une perte de marge comme extracteur de caractéristiques. Grâce à la perte de marge, nous pouvons apprendre des caractéristiques profondes discriminantes en forçant le réseau à maximiser la variance interclasse et à minimiser la variance intraclasse. Ensuite, nous alimentons les vecteurs de caractéristiques à l'algorithme de détection de nouveauté basé sur la densité, le facteur d'étrangeté local (LOF), pour détecter les intentions inconnues. Les expériences menées sur deux ensembles de données de référence montrent que notre méthode peut apporter des améliorations cohérentes par rapport aux méthodes de base.