图像分类作为计算机视觉、模式识别和机器学习等多个领域的交叉方向,旨在从图像或图像序列中提取判别性的特征并进行归类,使得机器视觉具有一定的识别能力。随着大数据的出现和计算机运算能力的不断突破,深度学习在很多领域取得了显著的成绩,广泛应用于医疗图像处理、智能交通、电商平台、人脸识别等领域。然而,目前的深度学习方法高度依赖于大量的标注样本。但大多数实际应用场景仍严重缺乏标注样本,并且高质量的标签将会产生昂贵的标注成本。主动学习方法通过合适的策略,主动筛选或生成最能够提升当前模型性能的样本;目标模型基于专家标注的样本进行迭代式地训练,从而不断提升目标模型的性能。主动学习方法的核心目标是使用尽可能少的标注样本达到预期的模型性能,从而显著地减少标注成本。主动学习方法能够在一定程度上缓解深度学习对大量标注样本的依赖问题。因此,研究主动学习策略及其在图像分类中的应用是一项既富有挑战又具有实际意义的工作。本文的主要工作具体如下:首先,我们对主动学习方法和图像分类技术进行了广泛地调研并综述,主要内容包括:1)分别详细地总结了基于传统机器学习和基于深度学习方法的图像分类技术;2)总结了主动学习方法的基本框架以及几种基本策略,并重点围绕“组合多种基本策略的主动学习方法”、“结合半监督学习的主动学习方法”和“结合生成对抗网络的主动学习方法”等方面展开讨论主动学习的扩展方法;3)简要介绍了本文使用的五组图像分类数据集,实验环境以及本文相关主动学习方法的评价指标。其次,我们通过将半监督学习方法和主动学习方法进行有效的结合,提出一个噪声鲁棒的半监督主动学习框架:1)将噪声样本自动调整算法应用到半监督学习方法中,提升了自学习算法的抗噪能力。2)将卷积自编码聚类算法与主动学习策略结合,从而提升筛选样本的质量。3)将上述方法整合到同一个框架并将其应用于图像分类任务中。该框架不仅缓解了噪声样本对分类器的影响,而且增加了主动筛选的样本之间的多样性。因此,在五组图像分类数据集的实验中取得了显著地提升。然后,我们系统地分析了生成对抗网络系列模型和对抗自编码模型,并从提高生成样本的质量及其在主动学习方法中的应用等方面进行综合考虑,提出一种基于生成对抗网络的二阶段主动学习方法。该方法与目前主流的相似方法对比,在生成图像的质量和减少标注成本等方面都取得了较好的效果。此外,该方法在时间性能上显著地优于传统的主动学习方法。最后,我们充分考虑到主动学习方法的实际应用场景,设计并实现了一个面向图像分类任务的主动学习系统。通过对实际应用场景进行模拟实验,验证了系统的可用性和稳定性。