Le réseau de neurones à apprentissage profond constitue un outil puissant pour la détection de anomalies visuelles (AD) et le diagnostic de défauts, en raison de sa forte capacité d’interprétation abstraite dans le domaine de représentation. Les caractéristiques profondes issues de réseaux préentraînés sur la tâche de classification ImageNet se sont avérées utiles pour la détection d’anomalies basée sur l’analyse discriminante gaussienne. Toutefois, avec la complexité croissante des réseaux de neurones à apprentissage profond, l’ensemble des caractéristiques profondes devient massif, entraînant inévitablement une redondance. Ces caractéristiques redondantes augmentent le coût computationnel et dégradent les performances des méthodes de détection d’anomalies. Dans cet article, nous examinons la sélection de caractéristiques profondes pour la tâche de détection d’anomalies et montrons comment réduire cette redondance dans le domaine de représentation. Nous proposons une méthode de sélection horizontale (réduction de dimension) basée sur la décomposition en sous-espaces, ainsi qu’une sélection verticale permettant d’identifier la couche de réseau la plus efficace pour la détection d’anomalies et le diagnostic de défauts. La méthode proposée est évaluée sur deux jeux de données publics, l’un dédié à la tâche de détection d’anomalies, l’autre au diagnostic de défauts de roulements. Nous mettons en évidence l’importance relative des différentes couches de réseau et des sous-espaces de caractéristiques dans la tâche de détection d’anomalies, et prouvons l’efficacité de la stratégie de sélection de caractéristiques.