异常检测是指在海量的数据样本中挖掘出与众不同的异常样本，但存在执行效率较低，现有异常检测方法不能满足工业场景下对于实时性的需求。提出模型从轻量优化、多模态特征交叉融合、零样本条件三个角度分别进行针对性方法创新。提出了一个新的适合工业异常检测的特征知识蒸馏框架，通过使用提出的耦合学生蒸馏学习方法以及有效的损失设计，能够使学生模型可以继承经过预训练的教师模型的先验知识并过滤有害的知识冗余。同时，重新设计出了一个超轻量化骨干网络，将模型整体的FLOPs和Params压缩到了极小。最后，提出了一个快速特征嵌入融合模块，以更快的速度达到更好的多尺度特征融合效果。提出了一个基于在线互信息评分的零样本异常检测方法，利用多窗口粒度方式挖掘样本特征，并且无需额外的模态信息或样本信息，抛弃了离线模式，利用成长式投票者登记方法进行异常检测。所提的方法都在效率或精度上取得了引人注目的突破。