近年来,互联网领域迎来人工智能的热潮,在机器学习与深度学习等领域,多任务学习已发挥举足轻重的作用。多任务学习弥补了传统单任务学习中学习知识不共享的缺陷,通过多任务同步执行的方式以提高每个任务的泛化性能,相关任务之间的信息共享会影响并促进每个任务的学习效率。但是,在大多数现实生活场景中,标记数据的获取代价昂贵,需要消耗大量人力物力。同时,多个任务数据的堆叠也会产生数据冗余,增加任务的训练规模,降低模型的训练效率。为了降低数据标记的成本,同时在海量数据中挖掘具备高信息质量的数据,需要一定的数据样本选择策略来达成这一目标,而主动学习正是解决此类问题的有效方法。在主动学习方法中,训练过程会迭代的进行。每次迭代,未标记的样本都会被有策略地进行筛选,被筛选出的样本会得到标记并被加入训练集中进行模型训练。在同等条件下,主动学习方法过程相较于传统学习方法所需的标记训练样本更少,却能够改善模型性能,得到更高精度的模型。本文将主动学习方法引入到多任务学习框架中,在支持向量机基础上,提出两种融合样本分布结构的多任务主动学习分类方法,从样本不确定性与样本多样性两个角度衡量样本的信息量。首先,我们提出了一种分类器层面的不确定性准则,简称Classifier-Level Uncertainty（CLU）。其次,我们提出了基于聚类方法与基于划分方法的两种多样性准则,分别简称为Partition-Based Diversity（PBD）和Clustering-Based Diversity（CBD）。其中,不确定性准则筛选出能够决定分类平面的支持向量,确保样本的信息价值。同时,为了保留样本的分布结构,多样性准则通过聚类方法与空间划分方法,筛选出具备代表性结构信息的样本。两种多样性准则分别与不确定性准则相结合,形成两种不同的多任务主动学习方法。最后,我们将本文所提出的两种方法与现有的主动学习方法应用到文本分类场景中,并进行了对比实验。实验结果表明,在多个文本数据集上,我们的方法在各项评估指标上的表现优于现有的主动学习方法。