由于现实生活中存在海量无标签的数据样本，如果单纯依靠人工对这些无标签数据样本进行标签的话，花费代价通常会很高。如何以最少的代价给这些海量无标签数据样本进行标签这一难题，越来越得到人们的广泛关注和深入研究。主动学习就是为了解决标签数据样本匮乏这一瓶颈而产生的，它通过选取少量最具信息量的未标签数据样本进行标签，从而建立分类精度较高的主动学习分类器模型，再对其它海量未标签的数据样本进行分类标签，大大地提高了工作效率。　　 本文的研究工作主要分为两部分：间接构造数据样本主动学习方法和解释性主动学习方法。　　 本文的研究工作之一是提出了间接构造数据样本主动学习方法。传统主动学习方法主要存在以下两个不足：(1)过分依赖于未标签数据集；(2)不考虑现实生活中数据分布状况。基于以上的考虑，本文提出了间接构造数据样本主动学习方法，更加有效地建立主动学习分类器模型。　　 本文的另一个研究工作是提出了解释性主动学习方法。传统主动学习方法往往假设Oracle仅仅可以用来对不同未标签数据样本进行标签。本文基于现实生活中的观察，提出了解释性主动学习方法：假定Oracle不仅可以对未标签数据样本进行标签，而且可以给出相应的解释规则，有效地提高了主动学习分类器模型的分类性能。　　 本文通过大量的实验，验证了间接构造数据样本主动学习方法和解释性主动学习方法比传统主动学习方法更具优势。