随着社会的快速发展和科学技术的进步,每天都会产生大量的数据,这些数据大部分是无类标的数据,例如网页数据、音频数据、视频数据等。标注这些无类标的数据非常困难,而且费时费力。主动学习是解决这一问题的一种有效方法,它以迭代的方式从无类标的数据集中,选择重要的样例交给领域专家进行标注,并将标注的样例加入到训练集中,然后重复训练分类器,直到分类精度达到预定的标准。随着大数据时代的到来,大数据给传统的主动学习带来了巨大的挑战,研究大数据主动学习具有重要的意义和价值。本文利用大数据开源框架研究大数据环境下的主动学习,主要研究了传统的主动学习算法在大数据环境中的可扩展性及其在大数据开源框架(如Hadoop和Spark)中的实现。大数据主动学习中的大数据指的是无类标的数据是大数据集,而有类标标签的数据是中小型数据集,这也符合现实中实际情况。因此,大数据主动学习的目标是从无类标标签的大数据集中选择尽可能少的样例交给专家进行标注,使得标注代价最小。具体地,本文主要研究了以不确定性为样例选择标准,以极限学习机为分类器的主动学习算法,并对当下最流行的两个大数据开源框架Hadoop和Spark进行了学习研究,在此基础上提出了两种算法来解决大数据环境下的主动学习。一是基于Hadoop的大数据主动学习,主要研究了大数据主动学习算法的MapReduce实现,使得传统的主动学习算法在Hadoop平台上并行地运行。二是基于Spark的大数据主动学习,研究了通过Spark的RDD操作实现大数据主动学习,在Spark集群中通过内存计算来迭代处理数据。此外,还对基于两种大数据开源框架(即Hadoop和Spark)的主动学习进行了比较研究,得出了一些有价值的结论,对从事相关研究的人员提供很好的帮助。