針對不平衡分類中小類樣本識別率低問題，提出一種基于主動學(xué)習(xí)不平衡多分類AdaBoost改進(jìn)算法。首先，利用主動學(xué)習(xí)方法通過多次迭代抽樣，選取少量的、對分類器最有價值的樣本作為訓(xùn)練集；然后，基于不確定性動態(tài)間隔的樣本選擇策略，降低訓(xùn)練集的不平衡性；最后，利用代價敏感方法對多分類AdaBoost算法進(jìn)行改進(jìn)，對不同的類別給予不同的錯分代價，調(diào)整樣本權(quán)重更新速度，強(qiáng)迫弱分類器“關(guān)注”小類樣本。在臨床經(jīng)胸超聲心動圖（TTE）測量數(shù)據(jù)集上的實(shí)驗(yàn)分析表明：與多分類支持向量機(jī)（SVM）相比，心臟病總體識別率提升了5.g%，G-mean指標(biāo)提升了18. 2%，瓣膜病（VHD）識別率提升了0.8%，感染性心內(nèi)膜炎（IE）（小類）識別率提升了12. 7%，冠心?。–AD）（小類）識別率提升了79. 73%；與SMOTE-Boost相比，總體識別率提升了6.ll%，G-mean指標(biāo)提升了0.64%，VHD識別率提升了11. 07%，先心?。–HD）識別率提升了3.69%。在TTE數(shù)據(jù)集和4個UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該算法在不平穩(wěn)多分類時能有效提高小類樣本識別率，并且保證其他類別識別率不會大幅度降低．綜合提升分類器性能。