El aprendizaje activo es un método que puede seleccionar activamente ejemplos con mucha información de una gran cantidad de muestras no etiquetadas para consultar a expertos etiquetados, con el fin de obtener un clasificador de alta precisión con un pequeño número de muestras. La mayoría de las investigaciones actuales utilizan los principios básicos para optimizar el clasificador en cada iteración, pero la consulta por lotes con la mayor cantidad de información en cada ronda no representa la distribución general de la muestra, es decir, puede caer en una optimización parcial e ignorar el conjunto, lo que puede afectar o reducir su precisión. Para resolver este problema, en este documento se utiliza un método especial de medición de distancia: la Distancia de Bhattacharyya. Al utilizar esta distancia y diseñar un nuevo conjunto de lógica de decisión de consulta, podemos mejorar la precisión del modelo. Nuestro método encarna la consulta de las muestras con la distribución más representativa y la mayor cantidad de información para realizar la tarea de clasificación basada en un pequeño número de muestras. Realizamos pruebas teóricas y análisis experimentales. Finalmente, utilizamos diferentes conjuntos de datos y los comparamos con otros algoritmos de clasificación para evaluar el rendimiento y la eficiencia de nuestro algoritmo.