本发明涉及一种基于独立性增强的对抗主动学习方法。包括如下步骤：1：使用生成器对样本进行重构以学习样本的特征表示，并将样本的特征表示与任务模型中提取的注释特征进行拼接；2：设计Batch Loss Prediction Module(BLPM)对样本的状态值进行重新标注，并依据新的状态值对判别器进行训练；3：设计基于层次聚类的独立样本选择模块对样本进行独立性选择，对所选择的样本进行标记，将标记后的样本加入标记池并且对模型进行更新训练。本发明不仅考虑了单一样本的信息量，而且兼顾了组内样本之间的独立性，同时降低了标记总成本。
