随着多媒体信息技术的发展，数字图像的数量呈爆炸式的增长，对海量图像进行自动管理的需要促使基于内容的图像分类成为研究的热点。建立准确的图像分类模型往往需要大量的带标签样本，而这在实际应用中很难获取。主动学习的意图正是当某些无标签样本被选择加注标签后可以减少解决问题所需标记样本数量从而显著降低人工标记成本。本文首先对图像特征提取与分类算法进行了系统的分析与总结，然后对基于主动学习的图像分类技术进行了研究，主要内容包括：1)总结了图像分类常用的特征，包括低层特征、中层特征和高层语义特征。详细介绍了尺度不变特征变换，重点分析了以Bag of Words特征和稀疏编码特征为代表的中层特征的实现过程。2)系统总结了常用的图像分类算法，包括贝叶斯决策理论、支持向量机、Logistic回归和随机森林等，并结合中层特征表达进行了图像分类实验。结合工程实际，编写了图像分类演示软件，实现了图像分类的基本流程。3)对主动学习理论中代表性的算法进行了详细的总结与分析，包括理论基础和各自的适用范围。4)为了提升主动学习过程分类器更新的效率，引入增量支持向量机。针对主动学习批量样本选择中样本间存在冗余信息的问题，提出了基于近邻传播(affinitypropagation)聚类的Multi-pool主动学习算法，三个公开图像数据集上的实验结果证明了本文方法相对于传统算法的有效性。