Cet article propose une nouvelle méthode pour détecter les anomalies dans de grands ensembles de données dans un cadre entièrement non supervisé. L'idée centrale de notre algorithme consiste à apprendre la représentation sous-jacente des données normales. À cette fin, nous exploitons la dernière technique de clustering adaptée au traitement des données de haute dimension. Cette hypothèse fournit un point de départ fiable pour la sélection des données normales. Nous entraînons un autoencodeur à partir d’un sous-ensemble de données normales, puis itérons entre l’hypothèse d’un sous-ensemble candidat normal basé sur le clustering et l’apprentissage de représentation. L’erreur de reconstruction fournie par l’autoencodeur entraîné sert de fonction de notation pour évaluer la normalité des données. Les résultats expérimentaux sur plusieurs jeux de données publics de référence montrent que la méthode proposée dépasse les techniques non supervisées de pointe et se compare avantageusement aux techniques semi-supervisées dans la plupart des cas.