随着计算机、网络、通信技术的飞速发展,各种形式的数字图像呈爆炸式增长。图像分类技术在对这些海量数据进行高效分类及管理上具有重要研究意义。在图像分类中,需要大量的标注样本,而标注样本需要消耗大量的人力、物力。为此,以降低标注成本为目的主动学习方法在图像分类研究中受到了广泛的关注。主动学习方法的基本思想是选取信息量较大的样本来训练分类模型,以实现利用较少的标注样本达到预期分类精度的目的。然而,在主动学习过程中数据往往基于单一特征,选取的待标注样本信息量比较有限。为了进一步提高标注样本信息量,本文对基于多特征的主动学习方法进行研究,并将其用于图像分类。在基于多特征的主动学习方法实现过程中,本文主要研究了多特征选取方法以及主动学习方法中的采样策略。在多特征选取方法的研究中,首先将多个基于不同特征的SVM进行集成来解决基于多特征分类模型的构建问题。然后对多特征选取方法进行分析,提出了一种改进的EPD多特征选取方法。在以往的采样策略都是基于样本单个特征,不适合直接用于基于多特征的主动学方法中。为了实现基于多特征的样本采样,本文提出了一种改进的边缘采样方法。该方法在多个SVM模型上对未标记样本进行预测,根据预测结果和样本到超平面的距离选取不确定性样本,在本文中将其称为“基于多SVM的边缘采样”。使用Corel和NUS-WIDE-CATEGORY数据集中的样本对提出的方法进行验证,并与其它方法进行对比分析。在训练样本数量相同的条件下,本文研究的方法有效地提高了分类精度;此外,在达到最佳分类效果时,也降低了样本标注比例,实现利用较少的标注样本达到预期分类精度的研究目的。