目前基于PU问题的时间序列分类常采用半监督学习对未标注数据集[U]中数据进行自动标注并构建分类器，但在这种方法中，边界数据样本类别的自动标注难以保证正确性，从而导致构建分类器的效果不佳。针对以上问题，提出一种采用主动学习对未标注数据集[U]中数据进行人工标注从而构建分类器的方法OAL（Only Active Learning），基于投票委员会（QBC）对标注数据集构建多个分类器进行投票，以计算未标注数据样本的类别不一致性，并综合考虑数据样本的分布密度，计算数据样本的信息量，作为主动学习的数据选择策略。鉴于人工标注数据量有限，在上述OAL方法的基础上，将主动学习与半监督学习相结合，即在主动学习迭