移动机器人在野外环境的感知能力对其导航起着重要作用,其中地表分类是感知系统中的重要组成部分。机器学习方法在机器人感知领域中有着广泛的应用,然而传统的监督学习需要训练大量的标记样本,对野外环境采集到的庞大的图像数据进行标记,是很耗时费力的,代价也很大。本文通过引入主动学习机制来解决该问题。地表分类是一个多分类问题,第一种解决方法是直接将解决两类问题的算法扩展到多类问题中,第二种方法是将多类问题分解成多个两类问题。本文将主动学习和多分类方法结合起来解决地表分类问题。在generalized Bradley-Terry (GBT)模型的基础上,引入主动学习机制来解决多分类问题,实现了基于GBT模型的不确定性多分类主动学习算法。该算法中使用的多分类方法有“一对一”,“一对多”,"dense ECOC"和"sparse ECOC"四种分解方法,并用编码矩阵表示。最后,在模拟数据集和地表数据集上进行了主动学习和监督学习的对比实验,验证了在达到相同准确率时主动学习比监督学习需要更少的标记样本,从而降低了构建高性能分类器的代价。