主动学习解决了有监督学习训练样本数量巨大的问题,核心是制定样本选择策略问题,达到模型快速收敛的目的。在池样本选择模式下,按照批次选取样本会存在信息冗余问题,从而导致主动学习效率降低。通过对信息冗余问题的研究,该问题主要存在于待标记样本集中和待标记样本集与有标记样本集之间。在带有MLP(Multi-layer Perception)的神经网络条件下,定义了信息冗余度矩阵,并据此给出了DRAL(Discriminative And Redundancy Active Learning)和LDRAL(Labeled Discriminative And Redundancy Active Learning)优化方法。对于待标记样本集中的信息冗余问题,提出了DRAL优化方法。通过用原方法选择大量的无标记样本构成候选集,选择与其最为相似的样本构成初始待标记样本集,之后每次从候选集中选择与待标记样本集最不相似的样本放入待标记样本集。对于待标记样本集和有标记样本集之间的信息冗余问题,提出了LDRAL优化方法。随着迭代次数增加,有标记样本集样本数量越来越大会导致计算量超出硬件极限。对此,通过定义不确定度阈值选出不确定有标记样本集代替有标记样本集,在候选集中仅选择与不确定有标记集最不相似的样本为待标记样本集。上述两种方法在Mnist、Fashion-mnist和Cifar-10数据集上,用不确定度缩减方法选择样本,在相同准确率下,DRAL优化方法最少可以减少11%有标记样本,LDRAL优化方法最少可以减少8.3%有标记样本,可以有效地优化信息冗余问题。