La détection d'anomalies est un problème récurrent en Machine Learning. Des techniques récentes cherchentà exploiter le potentiel des GAN (Genera-tive Adversarial Networks) pour détecter les anomalies de façon indirecte, dans l'espace des données ; elles se fondent sur l'idée que le générateur ne peut pas recons-truire une anomalie. Nous développons une approche alternative, basée sur un Encoding Adversarial Network (ANOEAN), qui projette les données dans un espace latent, où la détection d'anomalies se fait de façon directe, en calculant un score. Notre encodeur est appris par adversarial learning, en utilisant deux fonctions de perte, la première contraignant l'encodeur a modéliser les données normales dans un espace qui suit une distribution gaussienne, et la seconde,à proje-ter des données anormales en dehors de cette distribution. Nous conduisons une série d'expériences sur plu-sieurs bases standard, et montrons que notre approche dépasse l'état de l'art lorsqu'on utilise 10% d'anomalies lors de l'apprentissage.