空气污染对人类健康造成严重危害,已成为一个难以解决或不可逆转的全球性环境问题。虽然建立了空气质量监测站来收集空气中的污染物成分数据,但由于监测站的建设费用非常昂贵,为了节省成本,监测站只部署在少数地点,并且需要进行维护,仅在部分时间启动。因此,我们只能得到部分位置和时刻的空气质量数据。由于空气质量数据量多且特征复杂,现有的工作根据已有部分位置和时刻的空气质量数据,使用深度学习技术推测其它位置和时刻的未知空气质量,但是他们没有关注收集哪些数据用于训练和推测的效果最好。根据主动学习的观点,数量相同但位置时刻不同的已知数据可以得到不同的推测精度。因此,本文将深度学习与主动学习相结合,将深度神经网络模型作为主动学习中的推测器,通过主动学习中的选择器选择特定位置时刻的空气质量进行采集,使采样成本相同的情况下,推测器推测精度更高。本文主要内容包括:（1）基于深度学习的空气质量主动学习推测器:空气质量推测是根据现有的部分空气质量数据,最大程度准确地推测其它时刻和位置的未知空气质量。本文选用一种现有的基于深度神经网络的空气质量主动学习推测器,并结合数据增强进一步提升空气质量推测的精度。（2）基于样本集方差接近度的空气质量主动学习选择器:针对空气质量推测问题,主动学习采样策略可以主动地提出要对采样池里的哪些时刻和位置的数据进行采样,再将这些数据加入到训练样本集中对模型进行训练。本文提出了一种基于样本集方差接近度的空气质量主动学习选择器,通过计算待测样本方差与每个待采样集合的样本方差差异,选出最具价值的空气质量样本集进行数据采集。（3）基于新型混合采样策略的空气质量主动学习选择器:混合采样策略指先后选出体现不同方面贡献的样本集合,再通过交集、并集和多集选一集等混合方式,最终得到能同时体现多样性、代表性和不确定性的样本集。本文将聚类中心采样分别与变分对抗模型、最远距离采样和时空均匀采样进行混合,提出了三种基于新型混合采样策略的空气质量主动学习选择器。本文使用空气质量数据进行实验评估,验证了主动深度学习模型及数据增强的可行性;与基线主动学习采样策略相比,本文提出的基于样本集方差接近度的空气质量主动深度学习方法和基于新型混合采样策略的空气质量主动深度学习方法都能够在采样代价相同的情况下有效的提高模型精度。