近年来,高光谱遥感逐渐成为遥感发展的中坚力量。人类获取的高光谱图像包含数百个窄而连续的波段,为识别和分类特征提供丰富而细腻的光谱信息。高光谱图像已被广泛应用于矿物开采,环境监测,资源勘探,科学农业等众多领域。然而,高光谱图像拥有数据量大,波段数多,波段间相关性强等特点,这对高光谱图像的分类形成了巨大的挑战。在标记样本缺失的情况下,如何使用更少的人工成本获得较好的分类性能成为高光谱图像处理的关键问题,也受到越来越多研究者的关注。本文总结了近些年国内外学者的研究成果,针对主动学习熵值采样过程中惩罚参数的难以设置及批处理优化问题,使用优化后的熵值装袋主动学习算法构建一级样本缓冲池,然后辅助以无监督聚类过程进行二级筛选,使标记样本具有更多的信息量和更强的代表性。在多个高光谱图像的实验中表明,多级筛选策略能够使用更少的人工标记成本获得相似的分类效果。针对联合主动学习和半监督学习标签校验框架(CASSL)在稀缺样本情况下伪标签验证效果下滑及阈值收敛情况,提出了多重校验的主动学习框架。利用不同主动学习策略采集的样本,构建差异化的校验分类器,对伪标签进行多重的校验,提高了伪标签置信度的同时,减少了因误判导致的信息量样本流失问题。在实验中已得到证明,提出的算法能够有效的提高收敛速度,降低人工成本,并且杜绝了阈值设定不当导致的提前收敛现象。