中文文本分类在日渐完善的网络信息管理与网络平台建设方面都发挥着重要的作用。国内的信息发布和交流平台主要依靠中文文本进行信息的传递,随着用户的增多,涌现的文本数量也快速增长。平台上服务于用户的个性推荐、垃圾信息过滤等功能的实现主要依托于文本分类技术,然而在网络信息传播过程中,总会出现新鲜类别文本的数量呈爆炸性增长的情况,由于无法在短时间内针对新类别文本进行大量样本标注,会出现文本分类效果不佳的问题,导致与之相关的功能也受到影响。因此,高实时性要求的场景下快速准确的文本分类能力,对于保障网络平台功能的正常运作具有重要意义。基于此背景,本文对基于主动学习的中文文本分类问题进行了研究,能够在保证文本分类器性能的前提下,减少标注样本的使用。本文的主要工作有:1、提出一种面向主动学习文本分类的主题段向量（Topic Paragraph Vector,TPV）表示模型,基于主题模型对文本数据进行主题提取,将文本的主题向量融入段向量（Paragraph Vector,Paragraph2vec）的训练过程中,使得文本的向量表示中包含全局的主题语义,为后续主动学习中文文本分类模型提供数据来源,降低了的分类模型中特征提取的运算压力。2、提出一种密集度感知的不确定性加权（Measuring Samples Density and Information Entropy Weighting,MSD-IEW）主动学习中文文本分类模型,为了使初始样本集中的样本具有代表性,引入MSD算法选取初始样本集。考虑到样本对分类器的价值不同,提出IEW算法对样本进行加权训练,完成中文文本的分类。在保证文本分类器性能的同时,减少了标注样本的使用量。3、本文结合TPV文本表示模型和MSD-IEW主动学习模型,设计并实现了基于主动学习的中文文本分类系统。分析了系统需求,设计了系统总体框架,详细介绍并展示了各个模块的结构组成、实现方式以及工作机理,并对系统进行了测试。结果表明基于主动学习的中文文本分类系统能够在减少样本标注的同时,有效地对中文文本进行分类。