在模式识别中,根据学习方式的不同可将其分为两大类:有监督学习和无监督学习。由于无监督学习的准确率通常不能令人满意,在实际应用中人们趋向于运用有监督方法。支持向量机算法作为一种常用的有监督方法,其分类精度较高,但它的结果直接依赖于所选取的高质量的有标记的训练样本,在现实生活中,完备的训练样本集的获取是非常困难的,如何有效利用样本集中大量的未标识样本所隐含的信息成为关注的热点。针对这种情况,本文将支持向量机和主动学习结合起来,提出两种改进的主动支持向量机方法,本文主要的工作总结如下:(1)了解主动学习与支持向量机的研究现状及趋势,并重点对主动学习与支持向量机的算法理论进行深入研究。(2)介绍了一种简单的基于距离的主动支持向量机,以及一种被动学习的支持向量机。并进行了实验对比与分析,论证了主动支持向量机的可行性与优越性。(3)对主动支持向量机算法进行了深入研究,针对支持向量机算法的初训练样本需人工选取以及分类器易受到样本中孤立点的影响,本文通过利用K-means聚类算法以及改进主动学习策略,得到一种改进的主动支持向量机算法,有效克服了以上的缺陷。Iris、Wine和遥感数据的实验结果证实该方法的有效性。(4)由于主动学习支持向量机的主动学习策略只注重考察超平面附近的样本,忽略了有些距离超平面远而是支持向量的样本,而且没有考虑当前超平面是否接近实际的超平面,对此本文提出了一种基于概率的主动支持向量机算法方法,通过在IRIS数据集、WINE数据集、遥感图像上分别进行实验,论证了该方法的可行性与优越性。