随着科学技术的不断发展，众包技术已经逐渐成为当前数据标注的主要手段之一，但由于各个标注者对目标领域的熟悉程度不同，使得到的标签质量也有差别。在标记过程中，标记能力弱的标记者可能会由于缺乏个人经验知识，将样本所属的类别标记错误，从而影响分类的结果。针对此类问题，文中提出了一种基于主动学习的标签噪声查询和更正的算法（Label Noise Querying and Correction, LNQC）。由于传统的主动学习是从未标注数据中选择具有信息量或者代表能力的样本，然后让领域专家进行标注，因此无法处理带标签噪声的数据。在LNQC框架中，首先计算每个样本的置信度矩阵和残差矩阵，并将它们按行拼接为一个特征矩阵；然后利用k-means聚类算法对特征矩阵进行聚类，从而得到疑似标签噪声的类簇；接着根据有标签数据在不同分类器上的表现，将其大致分为4种类型的样本，并对不同类型样本所在的类簇采取不同的筛选策略；最后利用主动学习的方法二次标记筛选出来的标签噪声类簇样本。在实验中，利用分类的准确率和AUC值的增幅这两个指标来验证算法的性能。实验结果表明，与对比方法相比，LNQC算法在实验的8个数据集中基本上能获得较好的结果，能够以非常小的主动学习代价获取更高的分类正确率。