随着机器学习的快速发展和广泛应用,为解决机器学习任务中数据标注成本问题的主动学习领域具有重要的研究价值。最近,一些研究工作将生成对抗网络引入了主动学习领域,通过生成对抗网络可以直接标注模型的决策边界,并证明了决策边界标记可以提高模型的准确性。另外,批量式主动学习在一定程度上缓解了常规主动学习方法所存在的时间消耗问题。然而,主动学习在每轮迭代中最耗时的步骤是对模型的重新训练过程,批量式主动学习方法并没有对其进行改善,因此还应考虑使用其他方法来简化训练过程。为了结合了批量式采样模式和模型决策边界标记的优点,本文提出了一种新的基于生成对抗网络的主动学习方法。该方法通过生成对抗网络直接让人类专家标注模型决策边界,并通过决策边界标记批量地选取样本。与常规主动学习方法相比,该方法避免了在每轮迭代中重新训练模型,减少了计算负担和时间成本。另外,本文还提出了一种基于聚类的初始种子采样策略,对所提出的基于生成对抗网络的主动学习方法进行了改善,该策略通过聚类估计样本的总体分布情况,能够根据样本分布有针对性地选取算法的初始种子。通过在三个数据集上的实验结果表明,基于生成对抗网络的主动学习方法能够有效地减少构建机器学习模型的数据标注成本,基于聚类的初始种子采样策略能够有效地提高该方法的性能。为了在批量采样的过程中同时考虑多种样本选择标准,本文还提出了一种基于多标准的批量样本选择策略。该策略将样本的信息性、代表性和多样性共同作为批量采样的约束条件,进而设计了一个采样目标函数,并提出了其具体的优化流程。将基于多标准的批量样本选择策略与基于生成对抗网络的主动学习方法相结合后,本文提出了一种新的基于两阶段采样的批量式主动学习方法,即BALTS,该方法同时拥有这两者的优点。通过在三个数据集上的实验结果表明,基于多标准的批量样本选择策略能够有效地提高基于生成对抗网络的主动学习方法的性能,BALTS能够更高效地减少构建机器学习模型的数据标注成本。