在许多分类任务中,需要大量的已标记样本才能达到满意的分类精度。然而对样本进行标记需要大量的专业领域知识以及昂贵的标注成本,导致在实际应用中存在大量的未标记样本。因此如何利用未标记样本的信息去提升分类性能,这为传统的机器学习算法带来了巨大挑战。主动学习是一种能够解决传统分类问题中样本缺失标签信息问题的机器学习方法,该方法通过迭代选择最有价值的未标记样本进行标记,可以获得较好的分类性能,这引起了大量学者的广泛关注和研究。目前主动学习方法主要分为三类:基于成员查询综合的主动学习、基于流的主动学习以及基于池的主动学习方法。其中,现有的一些基于池的主动学习方法在实际应用中已取得较大的进展,但是从融合信息性和代表性的角度来对样本进行采样时仍然存在忽略样本空间分布信息、忽略不同部分的样本具有不同标记价值、难以在信息性和代表性标准之间找到平衡以及不同查询策略在不同数据集中表现不同等问题。本文就上述所存在的不足进行了研究,并提出了相应的主动学习方法。本文主要的研究工作包括以下两个部分:1.针对大多数主动学习方法忽略了样本空间分布信息以及不同区域的样本具有不同标记价值的问题,采用邻域熵作为三支决策理论的决策函数,提出了一种基于邻域熵的三支决策主动学习方法。首先,设计了一种基于邻域熵的查询策略,该策略结合样本分布特征,以邻域内样本的加权信息熵作为度量方式,从而可以选择出同时具备信息性和代表性的样本;此外,考虑到位于不同区域的样本具有不同的标记价值,将邻域熵作为三支决策的决策函数,通过决策函数值将未标记样本划分到三个不同的区域,并进行不同处理,从而选择出标记价值最高的样本进行标记,之后将标记后的样本训练分类器,使得分类器的性能得到显著提升。2.针对信息性和代表性标准之间难以平衡以及不同数据集上采用不同查询策略性能表现不同的问题,将学习过程形式化为马尔可夫决策过程并结合所获得的反馈,提出了一种查询策略和权重的自适应主动学习方法。首先,设计了一种权重自适应框架,该框架结合先前学习过程中的反馈信息,以学习过程中所获得分类增益自适应地更新信息性和代表性标准之间的权重,从而可以选择出对分类性能有重大贡献的样本;此外,针对不同数据集中采用不同的查询策略会有不同的性能的问题,将整个主动学习过程形式化为马尔可夫决策过程,可以根据过去的决策序列为给定数据集自适应地选择出具有最大回报的查询策略组合,从而可以进一步提高分类器的准确性。本文从融合信息性和代表性的角度来对主动学习方法展开研究,使用邻域熵策略、三支决策思想、强化学习技术以及权重自适应等方式来平衡信息性和代表性标准,可以选择出高价值的样本。在基准数据集和实际应用中的实验结果表明模型的分类性能可以得到进一步提升,因此,本文的工作具有一定的研究意义和应用价值。