Durante la fase de diseño y optimización de vehículos aéreos no tripulados (VANT), los métodos de análisis aerodinámico de alta fidelidad a menudo conllevan altos costos computacionales, lo que restringe significativamente la eficiencia de la exploración del diseño. Para abordar este desafío, se propone un método de modelado de sustitución de multi-fidelidad basado en el aprendizaje por transferencia activa. El método aprovecha el aprendizaje por transferencia para capturar correlaciones implícitas entre modelos de análisis de multi-fidelidad, mientras que se introduce una estrategia de muestreo adaptativo basada en el aprendizaje activo para reducir el costo computacional durante la construcción del modelo. Para reducir aún más la carga computacional, se formula un criterio de aprendizaje activo asistido por regresión de procesos gaussianos para seleccionar de manera eficiente muestras de alto valor y se diseña una estrategia de actualización del modelo para garantizar la consistencia de las características, acelerar la convergencia y mejorar la robustez durante el proceso de transferencia. Se realizan pruebas numéricas, análisis aerodinámico de perfil aerodinámico NACA 0012 y casos de análisis aerodinámico de VANT con ala con soporte, para validar el enfoque propuesto. Los resultados demuestran que el método propuesto logra una mayor precisión en condiciones de muestra pequeña en comparación con enfoques tradicionales.