主动学习是机器学习领域中一个重要的研究分支。主动学习研究的是如何通过有选择性的获取那些最有信息量的样本的标签,使得我们可以用尽可能少的训练数据训练出高质量的模型,从而降低样本标签的获取成本。目前,主动学习的研究主要面向平衡数据的分类问题。然而在很多实际问题中,数据的类别分布是不平衡的,并且我们需要考虑到不同的分类错误所造成的不同代价。这种问题称为代价敏感分类问题。主动学习和代价敏感分类在实际生产生活中都有广泛的应用。然而,面向代价敏感分类问题的主动学习方法目前却没有得到深入的研究。本文研究的即是面向代价敏感分类问题的主动学习方法。针对这一课题,我们首先基于泛化误差的优化提出了一个新的主动学习算法框架。该算法框架能够适用于代价敏感分类问题以及不同的基分类器。然后,我们分别面向逻辑回归模型和朴素贝叶斯模型,对该算法框架进行了完整的实现。我们解决了算法框架的实现中需要解决的关键问题,即如何对扩大训练集上的新模型进行估计。我们针对逻辑回归模型和朴素贝叶斯模型分别推导出了相应的模型估计方法,从而提出了面向这两个模型的适用于代价敏感分类问题的主动学习算法。我们在多个实际数据集上对提出的算法进行了充分的实验验证和分析,并与现有算法进行了对比。大量的实验结果表明,我们提出的主动学习算法能够有效的选择出最有信息量的样本来提升代价敏感分类模型的性能,并且相比于现有算法具有更优越的表现。