多媒体和数据存储领域的技术进步极大的提升了网络技术的应用范围,大量数据产生并被记录下来从而产生了大数据的概念,如何从海量大数据中发掘数据的价值,利用数据的价值成为了计算机科学研究的一个热点。多视角数据是指对同一事物从不同视角或者渠道获取的数据,是描述同一事物的不同表现形式,多视角数据在现实世界中普遍存在。传统的监督学习任务是从一个已有标记的数据集通常称为训练集出发,通过对于此数据集的学习而得出一个数学模型。而在众多实际的应用中,标注一个样本集的代价高昂,与此同时,获取未被标注的样例则相对容易低廉。如果使用传统监督学习算法来学习一个分类准确率满足规定准确率的学习器会非常困难。因此,主动学习的概念被提出用以解决上述问题,一个主动学习算法可以主动地挑选信息含量丰富的无标记样例,然后将此样例(集)提交给领域专家标记再放入训练集供学习器学习。通过这种策略可以在训练数据集相对小的情况下得到一个分类性能较好的学习器,从而有效地降低了构建高性能分类器的代价。针对当前主动学习的问题:多视角信息利用不足,早期实验设计算法缺少。本文提出了两种基于自表达的多视角(多模态)主动学习的方法。研究成果和创新点具体体现在以下几个方面:1.对于早期实验设计的多视角主动学习的意义进行了研究。2.提出了一种新的方法,称为多视角的代表性和信息性诱导主动学习(MRI-AL),本方法利用多视图学习来选择代表性和信息性共存的样本点来进行标记。3.提出了一种新的方法,称为基于灰(Dirty)表达的多视角主动学习(DMAL),本方法利用灰表达的思想针对多视图来选择代表性的样本点来标记同时利用稀疏编码和子空间重构技术来保证样本点的代表性,同时用灰表达的特性来去除表达样本中的冗余样本数据。上述方法在不同的多视角数据集上进行验证后,相比其他的早期的主动学习的方法取得了明显的效果提升。两种方法从不同的角度提出了不同解决办法,性能上,DMAL优于MRI-AL。