随着社会的飞速发展和人民生活水平的普遍提高,葡萄酒越来越被消费者所喜爱。在中国,人们对葡萄酒的需求量逐渐增大,各大葡萄酒厂商对中国市场越来越重视,葡萄酒质量评估成为关键要素。葡萄酒质量评估在研发过程中占据很重要的部分,可以用来改善酿酒工艺,并且对葡萄酒品质进行分级。葡萄酒质量评价经常使用物理化学实验测试获取相关理化指标,例如酸度,酒精度或p H值的测定,而感官测试则主要依赖于专家的感官评价,如专业的品酒师等。但我国国内高水平的品酒师数量较少,而且面对葡萄酒产业诸多生产商所生产的种类繁多的葡萄酒,仅依赖为数不多的专业品酒师对葡萄酒进行评估耗费大量人力和财力可能还达不到预期效果。因此,葡萄酒分级的难点在于数据标注方面。随着机器学习领域的发展,越来越多的分类算法能够为我们所用,支持向量机(SVM)便是其中的一种。本文以UCI机器学习数据库中4898例白葡萄酒数据集为研究对象,采用新型主动学习多分类SVM算法和传统的主动学习多分类SVM算法进行横向比较,证明新型主动学习多分类SVM算法能够完美地选取代表数据集特征的少量样本作为训练集,在少量训练集的情况下,分类的准确率要明显优于另外两种算法。将新型主动学习多分类SVM算法与传统的Logistic回归和Ada Boost算法进行比较,在同样分类准确率的情况下,新型主动学习多分类SVM算法所需的训练集样本量要远远小于另外两种算法。这在实际应用中可以极大地减少数据标注的工作量,弥补品酒师无法进行大量数据标注的短板,更为有效地进行葡萄酒评级。