多示例学习是有别于传统的监督学习和无监督学习的一种机器学习框架。经过近几年的研究，多示例学习的应用越来越广，尤其是在基于Web的文本分类上。然而，在多示例学习里面，正包里面示例标签在训练时是不明确的，只知道正包包含有至少一个正示例。这种不明确性会大大影响学习器的学习效果。本文通过引入主动学习，利用向Oracle询问正包里面的某些示例或者某些包的标签的方法，来减少正包里面示例的不明确性，扩大训练集的数目，以此来提高多示例学习在文本分类的分类性能。　　 主动学习研究的是如何用尽量少的带标签训练样本来提高学习器的学习效果。在主动学习的训练阶段，学习器可以通过向Oracle询问包含更多信息的一个或多个无标签的样本的标签，从而提高学习器的学习效果。　　 本文对如何把主动学习应用在多示例学习上，来提高多示例学习的学习效果进行研究。根据多示例学习的特点，多示例主动学习包含有三种询问模式：基于示例的询问，基于包的询问和基于包与示例的混合询问。本文研究的侧重点是基于包的询问的主动学习算法，提出了一种利用Fisher信息矩阵的方法作为选择策略，通过实验，与一般的不确定性抽样策略进行对比，取得较好的效果。根据实验，本文还分析了正包里面正示例和负示例的比例对多示例主动学习的学习效果的影响。本文最后提出了一种改进的询问策略：在向Oracle询问包的标签时，如果Oracle回答是正包，要求Oracle能同时返回一个在这个正包里面正示例。这种询问策略在现实的文本分类任务里是可行的，并且通过实验验证，这种策略比只是返回包的标签能更好的提高学习器的学习效果。