计算机视觉作为人工智能的主要方向之一,其目的是使得电脑能够自动的识别出图片里的物体,让机器具识别物体的能力。近年来随着大数据和计算机运算能力突破性的发展,加上研究人员对深度卷积网络的不断研究,计算机视觉已经在很多领域中取得了成功,如人脸识别、智慧城市、图片搜索等等。然而,目前的计算机视觉技术仍然是以有监督学习的模式为基础,即需要大量的高质量标注样本来对模型进行训练。但是在大部分实际应用场景中,获取未标注的样本比较容易,想要高质量的标注这些样本则需要花费很大的人工成本,那么研究如何减少需要标注的样本数量就显得比较重要。主动学习通过制定的策略,在未标注的样本中主动筛选出能够有效提升模型性能的样本,通过迭代选择,在保证模型精度的情况下尽可能少的选择出有效样本并对其进行标注,从而减少需要标注的样本数量。主动学习可以通过有效样本的选取来减少样本标注的工作量,因此对于主动学习的研究是一项具有实际意义的工作。本文主要研究主动学习在图片分类任务上的应用,主要工作如下:（1）本文首先介绍了课题的背景及意义我们对近,并对近年来主动学习算法进行了广泛的调研,对其进行了系统的分类并围绕“基于不确定性的主动学习算法”、“基于生成模型的主动学习算法”和“针对卷积神经网络设计的主动学习算法”三个类别进行了讨论,详细的介绍了每种类别的代表性算法,并同时系统的介绍了深度度量学习中的一些思想。（2）本文结合自步学习的思想,提出了基于自步学习的主动学习算法,将主动学习迭代选择的步骤看作自步学习的过程,将样本的选择顺序按照学习困难程度由简至难的进行选择,即在算法初期选择那些分类置信度较高的样本,后期选择不易分类的样本,这样更加利于模型的收敛和避免过拟合。同时通过聚类方法来控制困难样本的数量并且针对主动学习设计了一个损失函数来提升模型的效果,在使用预训练模型的情况下可以节约标注成本60%左右。（3）本文结合深度度量学习,提出了一个基于中心点度量学习的主动学习算法。该算法在训练过程中着重发掘样本在特征空间上对模型的贡献度,提出了一个中心点分离的度量学习损失函数。在通过已标记数据训练出来的特征空间上,根据样本到中心点之间的距离来进行样本选择。同时在训练时对不同样本施加不同的权重使其着重优化困难样本,并使用Core-set方法来解决选择样本间的信息冗余问题。该算法简单易用,可以直接嵌入到任何现有的训练过程当中,同时实验也证明了可以减少标注成本50%以上。