近年来,深度学习在图像理解,语音识别,自然语言处理等多个领域取得了突破性进展。但是在实际应用中,深度学习往往依赖于大规模标注数据进行模型训练,如何降低深度学习所需的数据标注规模成为亟待解决的问题。传统的主动学习方法通过手工设计样本查询策略,使机器可以逐一地或批量地选择对于模型训练最有价值的样本进行标注,从而显著减少样本标注代价。逐一采样由于效率低下难以用于大规模深度学习;批量式采样易于规模化训练,却也在深度学习中暴露出如下两个方面的问题。其一,现有批量式方法大多针对特定数据或模型进行设计,缺乏广泛的适用性;其二,这些方法往往未能同时考虑模型对于样本的不确定性以及样本本身的代表性,容易造成选择性偏差。针对上述问题,本文的主要工作如下:（1）为了学习适用性强的代表性样本查询策略,本文提出了一种基于变分对抗的主动学习方法。该方法基于变分编码对抗的思想,通过查询助理模型与变分自编码器的对抗学习,使得查询助理模型动态地学习标记样本与未标记样本之间的分布差异,从而允许差异化的选择具有代表性的未标记样本进行主动学习。得益于查询助理的可学习性,该方法可以根据模型和数据的不同状态自适应调整查询策略。（2）为了避免代表性和不确定性的选择性偏差,本文将模型不确定性引入上述基于变分对抗的主动学习方法。一方面,将模型预测结果和对抗表达进行特征融合,得到具有模型不确定性信息的特征表达作为查询助理的学习对象;另一方面,将模型损失预测作为模型对样本的不确定性度量,以此对查询助理施行约束正则。通过上述改进,该方法可以综合利用代表性和不确定性选出更有助于模型学习的样本。（3）为了验证本文提出的主动学习方法的先进性,本文在四个主流的图像分类数据集上进行了对比实验。与目前先进的主动学习方法相比,本文提出的主动学习方法在减少标注成本和提高采样性能方面均表现出显著的优势。采样结果的可视化实验和消融实验则验证了方法设计的合理性和有效性。