随着计算机和网络技术的普遍使用,使人们可以很容易获得海量数据。然而,在一些实际应用中,获得大量已标注的样例是非常困难、昂贵或耗费时间的,而取得未标注的样例则相对容易。在这种学习背景下,主动学习的框架被提出,选择算法从未标注样例中挑选最有价值的样例交给专家,进行标注后加入训练集,这样可以用尽量少的样例获得尽可能高的分类性能。一种常用的主动学习的方法是基于不确定性的样例选择,策略倾向选择那些当前分类器最无法确定其类别的样例进行标注。本文针对使用近邻规则的不确定性主动学习方法进行了分析和讨论,提出了在使用近邻分类器的基础上,将加权Margin作为不确定性评价标准。基于不确定性的样例挑选可能挑选出孤立点,为了避免这种情况发生,本文在评价样例的不确定性后,考虑未标注样例的密度信息,倾向于挑选不确定性高而且位于高密度区域的样例。最后在人工数据集和UCI数据集上进行了实验,并与已有方法进行比较,结果表明改进方法一定程度上优于已有方法。