近年来，随着语音转录技术发展到可以商业应用的成熟水平，相关行业积累 了大量的语音转录文本。这类文本在部分场景下包含极其丰富的信息，如果能 将这些文本按场景进行分门别类，将会推进相关行业自然语言处理技术的发展。 然而，这类文本普遍缺乏标注，且包含大量口语词汇和转录错误，现有语言模型 很难准确地理解这类文本的语义。针对以上问题，本文基于主动学习对语音转录 文本的标注和分类问题进行了研究，在保证模型分类性能的前提下，提出了两种 不同的方法以减少所需的样本标注量。

本文的主要工作如下:

第一，构建语音转录文本场景分类任务的数据集，并提出该任务的解决方 案。本文开发了标注平台，收集并标注真实通话场景下的语音转录文本，构建了 转录文本场景分类任务的数据集。针对该数据集特点，本文提出基于文本纠错的 分类方法，模型的预处理模块和纠错模块解决了转录文本包含大量口语词汇和 转录错误的问题，可以完成语音转录文本的场景分类任务。

第二，提出了基于特征混合的两阶段文本主动学习算法，能大幅节省语料标 注成本。针对标注工作成本高昂这一问题，本文提出了一种基于特征混合的两阶 段文本主动学习算法，该方法第一阶段使用特征混合技术寻找模型当前无法识 别的特征，采样包含该类特征的样本，第二阶段对这些样本进行重要性排序，挑 选出对模型改善最有效的样本，迭代训练模型。本文方法能有效地减少文本标注 量，降低标注成本。

第三，通过引入语音模态，提出了基于语音和文本的多模态主动学习算法。 本文在文本模态的基础上引入语音模态，提出了另一种针对语音转录文本场景 分类任务的解决方案。本方案设计了语音特征提取方法和模态信息融合策略，扩 展了模型的信息来源，提高了模型的性能。同时，方案的主动学习框架也可以在 保证模型性能的前提下，降低标注成本。