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習不平衡多分類AdaBoost改進算法。首先，利用主動學習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練集；然后，基于不確定性動態間隔的樣本選擇策略，降低訓練集的不平衡性；最后，利用代價敏感方法對多分類AdaBoost算法進行改進，對不同的類別給予不同的錯分代價，調整樣本權重更新速度，強迫弱分類器“關注”小類樣本。在臨床經胸超聲心動圖（TTE）測量數據集上的實驗分析表明：與多分類支持向量機（SVM）相比，心臟病總體識別率提升了5.g%，G-mean指標提升了18. 2%，瓣膜病（VHD）識別率提升了0.8%，感染性心內膜炎（IE）（小類）識別率提升了12. 7%，冠心病（CAD）（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指標提升了0.64%，VHD識別率提升了11. 07%，先心病（CHD）識別率提升了3.69%。在TTE數據集和4個UCI數據集上的實驗結果表明，該算法在不平穩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。