En la actualidad, los Sistemas de Recomendación han adquirido una gran importancia. Grandes plataformas como Netflix o Amazon han contribuido a ello. Estos sistemas requieren de una cantidad masiva de datos para poder generar recomendaciones adecuadas a cada usuario, y es ahí donde entra en juego el Aprendizaje Activo, una rama del Aprendizaje Automático que se especializa en decidir qué opciones ofrecer al usuario, con el objetivo de optimizar el equilibrio entre el servicio prestado al usuario en un plazo inmediato, y la ganancia de información del sistema. En este trabajo, se implementan estrategias de Aprendizaje Activo en el ámbito de la recomendación basada en filtrado colaborativo, y se evalúan simulando la interacción iterativa entre un sistema de recomendación y sus usuarios. Para ello, se han implementado diversas estrategias de recomendación con aprendizaje activo, y diferentes comportamientos que un usuario podría seguir a la hora de puntuar los objetos recomendados. Para la mayor parte de las estrategias simples se ha utilizado el framework Ranksys, desarrollado por el grupo de investigación del tutor de este trabajo. Se han usado las estrategias simples más extendidas en el campo de la recomendación colaborativa: vecinos próximos, factorización de matrices, popularidad, etc. Entre las estrategias implementadas se incluyen algoritmos adaptativos de recomendación, que seleccionan entre diferentes métodos dependiendo del estado temporal del sistema. También se implementan estrategias combinadas de recomendación, que combinan las puntuaciones de múltiples algoritmos simples de recomendación en un solo ranking. Adicionalmente, se ha realizado un análisis de la eficacia de cada estrategia, probando diferentes configuraciones y tres conjuntos de datos. Finalmente, se ha sintetizado toda la información en las conclusiones del trabajo.