针对传统异常检测模型在数据不平衡情况下对少数异常类样本识别效果较差的问题，提出了一种基于改进扩散映射的支持向量数据描述算法(DM-SVDD)，构建新的模型并将其应用于工业异常检测。通过引入欧氏距离和马氏距离两种距离度量公式，构造新的近邻图改进扩散映射算法，结合支持向量数据描述算法进行建模，新模型不仅提高了对多数正常类样本的识别性能，且对少数异常类样本的检测性能也优于传统模型。实验数据选取多晶硅铸锭生产过程中的配料数据，研究结果表明：对于异常类样本较少所形成的不平衡数据，与传统的异常检测模型相比，所提出的改进模型可使G-Mean最优提升15.73%，F-Score最优提升19.37%，满足工业异常检测的需求，可用于指导实际生产过程，降低生产成本。