针对现有的威胁感知算法对样本标注代价较大,并且在训练分类器时只使用已标注的威胁样本,提出了一种基于图约束和预聚类的主动学习算法。该算法旨在通过降低标注威胁样本的代价,并且充分利用未标注的威胁样本对训练分类器的辅助作用,训练出更好的分类器以有效地感知威胁情景。该算法用已标注的威胁样本集合训练分类器,从未标注的威胁样本集中挑选出最有价值的威胁样本,并对其进行标注,再将标注后的威胁样本加入已标注的样本集中,同时删去原来未标注样本集中的此样本,最后用新的已标注的威胁样本集重新训练分类器,直到满足循环条件终止。仿真实验表明,基于图约束与预聚类的主动学习算法在达到目标准确率的同时降低了标注代价且误报率较低