信息技术的不断发展使得世界变成了信息的海洋，很多有用的信息被大量的垃圾信息所淹没，如何从这些信息自动分类出有用的信息将是一个重要的课题。文本作为信息的主要载体，具有明显的现实意义，而中文作为使用最多的语言之一，其重要性不言而喻。目前大多数中文文本分类都使用传统的模式，先对训练样本学习得到分类器，再对未知样本进行分类，二个过程相互独立。但按照上述方法得到一个满意的分类器需要大量的训练数据，成本耗费比较高，为了进一步减少人工标记成本，提高分类的效果及加快训练的速度，采用主动学习的方法是一种比较好的途径。但目前存在的几种基于支持向量机(SVM)的主动学习方法都是简单的把分类方法与主动学习过程相融合，没有从选择策略上进行改进，为此本文提出了两种改进的方法：　　 1、基于加权值的主动学习算法：　　 基于SVM主动学习算法对训练数据都没有提出明确的要求，但是事实上SVM对训练数据的要求比较严格，需要保证正类与负类样本的均衡性，只有这样才能得到比较满意的分类性能。不平衡的数据将会导致超平面向样本较少的方向偏移，降低分类器的性能。提出了一种折中考虑最小决策值和样本平衡性之间关系的加权主动学习算法。　　 2、基于期望间隔的主动学习算法：　　 SVM分类器间隔的确定是依据已标记的样本集。而在主动学习的初期分类间隔被扩大了，因而主动学习的目的就是依据当前样本集，选择那些能最快的缩小当前分类器间隔的样本。提出了一种基于期望间隔的主动学习算法，较快的缩小分类器的间隔。　　 对上述两种方法分别进行实验，结果表明，基于加权值的主动学习和基于期望间隔的方法都能选择信息量较多的样本，增加学习的效率，降低了成本，论证了可行性与优越性。