本发明提出一种样本不均衡下基于主动学习的滚动轴承故障诊断方法，首先，采集旋转机械的原始振动信号，后提取信号时域和时频域内的数据特征，并把特征提取后的数据集分为测试集和训练集；然后，通过高斯混合模型拟合训练集中轴承正常的多域高维特征，再利用随机下采样方法进行数据筛选，以筛选后的数据建立平衡数据集；接着，以得到的平衡数据集建立基于密度峰值聚类方法的主动学习分类器；最后，将已标签的训练集和未标签的测试集一起进行主动学习故障诊断，以减少未知样本标注的成本，并得到更精准的诊断结果。本发明通过不平衡数据集建立性能良好的主动学习分类器，对未知数据进行故障诊断，保障旋转机械安全运行，降低因故障而导致的损失。