图像分类问题一直以来都是计算机视觉领域中一个十分热门的研究课题。无论是日常生活,还是医疗诊断、军事活动,图像分类都起着十分重要的作用。互联网的普及,电子设备的更新换代,图像数据的数量和种类呈现爆炸式的增长。这些变化,赋予了图像分类技术更高的研究价值与应用价值。随着大数据时代的来临,以及人工智能的兴起,基于深度学习的图像识别精度、分类精度都有了显著的提高。虽然深度学习的出现颠覆了人们对于相关领域内的一些传统认知,但在实际的应用过程当中,该技术仍然存在着一些不足。训练一个性能良好的模型,往往需要大量的有标签数据。一方面,图像自身易受到光照、遮挡等因素的影响,使得图像数据的价值存在差异。另一方面,图像数据往往不具备标签信息,尤其是针对某一特定问题的标签信息。因此,构建一个大型的、规范的有标签数据库需要花费大量的人力、物力与时间。如何能够有效的利用已有的有标签数据,对无标签数据进行高效地标注,扩展现有的有标签数据集合。通过部分样本数据来训练模型,就能尽可能得到在数据全集上进行训练的最终效果是本文研究的一个主要目标。本文针对上述深度学习存在的问题,基于主动学习策略设计了基于双分支结构的多视角主动学习方法。本文的主要研究工作如下:1)本文设计了一种具有双分支结构的深度网络模型,该模型由结构不同的两个贝叶斯卷积神经网络(Bayesian convolutional neural network,BCNN)组成。通过结合两个网络子结构的不同特性,获取更多的特征信息表达,从而提高整体模型的性能。2)在双分支结构的基础之上,我们采用多视角采样策略对无标签样本进行挑选。通过结合深度模型所特有的多层次特征信息来挑选“有价值”的样本,以迭代的方式对训练集合进行扩充,并对分类器进行训练,使分类器使用较少的有标签数据集就能获得较高的分类性能。本文在Fashion-MNIST和Cifar-10两个图像数据集上进行了实验,实验结果表明本文提出的方法取得了较好的效果。该方法可以有效地利用已有有标签数据,对无标签数据进行挑选、标注,扩充训练数据集。在获得较高分类精度的同时,有效地改善了现实场景中标注样本缺失带来的标注问题。