La integración del aprendizaje activo (AL) y el aprendizaje profundo (DL) presenta un camino prometedor para mejorar la eficiencia y el rendimiento de los clasificadores de aprendizaje profundo. Este artículo presenta un enfoque que integra de manera fluida los principios de AL en el proceso de entrenamiento de modelos de DL para construir clasificadores de imágenes robustos. El enfoque propuesto emplea una metodología única para seleccionar puntos de datos no etiquetados de alta confianza para etiquetado inmediato, reduciendo la necesidad de anotación humana y minimizando los costos de anotación. Específicamente, al combinar el muestreo de incertidumbre con la pseudoetiquetado de datos confiables, el enfoque propuesto amplía eficientemente el conjunto de entrenamiento. El enfoque propuesto utiliza un modelo híbrido de aprendizaje profundo activo que selecciona los puntos de datos más informativos que necesitan etiquetado basado en una medida de incertidumbre. Luego, reentrena de forma iterativa un clasificador de redes neuronales profundas en las muestras recién etiquetadas. El modelo logra una alta precisión con menos muestras etiquetadas manualmente que el aprendizaje profundo supervisado tradicional al seleccionar las muestras más informativas para etiquetado y reentrenamiento en un ciclo. Experimentos en varios conjuntos de datos de clasificación de imágenes demuestran que el modelo propuesto supera a los enfoques convencionales en términos de precisión de clasificación y requisitos reducidos de anotación humana. El modelo propuesto logró una precisión del 98.9% y 99.3% para los conjuntos de datos Cross-Age Celebrity y Caltech Image en comparación con el enfoque convencional, que logró 92.3% y 74.3%, respectivamente. En resumen, este trabajo presenta un enfoque unificado prometedor de aprendizaje profundo activo para minimizar el esfuerzo humano en el etiquetado manual de datos al tiempo que maximiza la precisión de clasificación al etiquetar estratégicamente solo las muestras más valiosas para el modelo.