近期研究将检测并拒绝分布外（Out-of-Distribution, OOD）样本视为深度学习（Deep Learning, DL）模型安全部署中的关键挑战。理想情况下，深度学习模型应对分布内（In-Distribution, ID）数据保持高置信度，而对分布外样本则应具备识别与拒绝能力，这一原则正是OOD检测的核心驱动力。本文提出一种简单但高效的广义OOD检测方法——RODD（Robust Out-of-Distribution Detection），该方法不依赖于特定的OOD数据集。我们的方法基于训练样本的自监督特征学习，使得学习到的嵌入（embeddings）聚集在紧凑的低维空间中。受近期研究启发，即自监督对抗对比学习有助于提升模型鲁棒性，我们通过实验证明：采用自监督对比学习预训练的模型，在潜在空间中能够更有效地实现一维特征学习。所提出的RODD方法在一系列主流基准数据集上的OOD检测任务中，性能超越现有最先进（SOTA）方法。在CIFAR-100基准测试中，RODD相较当前最优方法将95%真阳性率下的误报率（FPR@95）降低了26.97%。