近年来,随着计算机技术的不断发展,生物电信号的自动识别任务引起了大量学者进行研究。生物电信号自动识别的主要应用场景便是辅助医生进行诊疗,目的是使得计算机可以自主、高效地对生物电信号所反应出的人体疾病、异常做出判断。但在实际应用中,生物电信号的数据标注任务成为了一项大的难题。由于生物电信号本身不易被常人看懂,需要非常有经验的医学专家花费大量的时间进行标注,这极大的浪费了人力资源与时间资源,使数据集的标注获取成本十分巨大。在计算机领域中,减少标注量、降低标注成本的常用方法是主动学习。但经调查,将主动学习方法应用于生物电信号分类领域的研究接近于零,仅有学者对于脑电信号和心电信号进行过验证性实验,目前从未有学者对肌电信号进行过主动学习的实验,也并没有学者使用最先进的主动学习方法对生物电信号的分类问题进行研究。本文为了解决生物电信号的标注成本问题,将主动学习方法应用于生物电信号的分类任务中,并针对主动学习方法中存在的问题,提出了相应的解决方法。本文的主要工作如下:1.本文使用多种主动学习方法对生物电信号的分类问题进行了一系列实验,将传统的主动学习方法和最先进的主动学习方法应用于生物电信号的分类任务,在两个肌电信号和一个脑电信号数据集中验证了主动学习的有效性。2.本文针对面向生物电信号的主动学习中出现的因模型未知错误的存在而陷入主动学习局部化陷阱的问题,提出了利用子空间投影的基于查询模型未知错误的主动学习方法。本方法既在空间中进行广泛探索,又在特定区域进行了勘探,从而有效地在主动学习的迭代过程中发现了模型未知错误,减轻了掉入主动学习局部化陷阱的影响,提升了主动学习的效果,减少了数据标注量。3.本文针对面向生物电信号的主动学习中存在的类别特殊性问题，以全局的类别预测信息对信息熵进行加权计算作为核心思想,提出了基于类别信息监管的主动学习方法。本方法鼓励主动学习尽可能选择数量少、难以被学习的类别进行标注,从而解决了这一问题,提升了主动学习的效果,并减少了数据的标注量。4.本文为了使以上两种主动学习方法筛选出的数据所提供的信息能够互补,将以上两种主动学习方法使用了动态加权的方式进行融合。并最终在实验中证明了融合方法可以为两种主动学习方法带来互补性,从而提升主动学习的效果。