尽管在图像识别领域的主动学习已经取得了显著进展，但仍然缺乏专门针对目标检测的实例级主动学习方法。本文提出了一种多实例主动目标检测（Multiple Instance Active Object Detection, MI-AOD）方法，通过观察实例级不确定性来选择最具信息量的图像用于检测器训练。MI-AOD 定义了一个实例不确定性学习模块，该模块利用在已标注数据集上训练的两个对抗性实例分类器之间的差异，预测未标注数据集中的实例不确定性。MI-AOD 将未标注图像视为实例包，并将图像中的特征锚点视为实例，通过以多实例学习（Multiple Instance Learning, MIL）的方式重新加权这些实例来估计图像的不确定性。迭代的实例不确定性学习和重新加权有助于抑制噪声实例，从而弥合实例级不确定性和图像级不确定性之间的差距。实验验证了 MI-AOD 为实例级主动学习提供了一个坚实的基础。在常用的目标检测数据集上，MI-AOD 在显著的性能差距下优于现有最先进方法，特别是在已标注数据集较小时表现尤为突出。代码可在 https://github.com/yuantn/MI-AOD 获取。