我们提出了一种新的图像异常检测与定位框架——Patch Distribution Modeling（PaDiM），该方法在单类学习（one-class learning）设定下，能够同时实现图像中异常的检测与精确定位。PaDiM利用预训练的卷积神经网络（CNN）提取图像块（patch）的嵌入表示，并采用多变量高斯分布对正常类样本进行概率建模。此外，该方法还充分利用了CNN不同语义层级之间的相关性，从而提升异常定位的精度。在MVTec AD和STC数据集上，PaDiM在异常检测与定位任务中均优于当前最先进的方法。为更贴近真实工业视觉检测场景，我们进一步扩展了评估协议，以在非对齐（non-aligned）数据集上评估异常定位算法的性能。得益于其卓越的性能表现与较低的计算复杂度，PaDiM成为众多工业应用场景中的理想候选方案。