针对主动学习中构造初始分类器难以选取代表性样本的问题，提出一种模糊核聚类采样算法。该算法首先通过聚类分析技术将样本集划分，然后分别在类簇中心和类簇边界区域选取样本进行标注，最后依此构造初始分类器。在该算法中，通过高斯核函数将原始样本空间中的点非线性变换到高维特征空间，以达到线性可聚的目的，并引入了一种基于局部密度的初始聚类中心选择方法，从而改善聚类效果。为了提高采样质量，结合划分后各类簇的样本个数设计了一种采样比例分配策略；同时，在采样结束阶段设计了一种后补采样策略，以确保采样个数达标。实验结果分析表明，所提算法可以有效地减少构造初始分类器所需的人工标注负担，并取得了较高的分类正确率。