Actualmente, el límite de decisión del algoritmo de detección de anomalías multiclase basado en aprendizaje profundo no captura adecuadamente la región de la clase positiva, lo que plantea un riesgo de que las características de muestras anómalas caigan en el dominio de las características de muestras normales y potencialmente conduzcan a resultados engañosos en aplicaciones prácticas. Frente a los problemas mencionados, este documento propone un nuevo método llamado detección de anomalías multiclase basado en hiperesferas (MMHAD) utilizando el conjunto de exposición de valores atípicos de borde y margen. El método tiene como objetivo utilizar redes neuronales convolucionales para el entrenamiento conjunto de todas las clases de objetos normales, identificar un conjunto compartido de exposiciones de valores atípicos, aprender características de identificación compactas y establecer parámetros de borde apropiados para guiar al modelo en el mapeo de valores atípicos fuera de la hiperesfera. Este enfoque permite una detección más completa de varios tipos de excepciones. Los experimentos demuestran que el algoritmo es superior al método de referencia más avanzado, con una mejora del 26.0%, 8.2% y 20.1% en CIFAR-10 y del 14.8%, 12.0% y 20.1% en FMNIST en los casos de (2/8), (5/5) y (9,1), respectivamente. Además, investigamos el desafiante caso (2/18) en CIFAR-100, donde nuestro método logra aproximadamente un aumento del 17.4% en AUROC. Por último, para un conjunto de datos de reciclaje de residuos con el caso (4/1), nuestro MMHAD produce una notable mejora del 22% en el rendimiento. Los resultados experimentales muestran la efectividad del modelo propuesto en la detección de anomalías de clasificación multiclase.