深度学习在使用大规模人工平衡数据集进行图像识别时，能够实现卓越的性能。然而，现实世界中的数据集通常呈现出严重的类别不平衡分布，由此引发两大核心挑战：类别间的相对不平衡，以及中等样本量（medium-shot）或少样本量（few-shot）类别的数据稀缺问题。在本研究中，我们针对长尾识别问题展开研究，其中训练集高度不平衡，而测试集保持平衡。与现有依赖数据重采样、代价敏感学习、在线难例挖掘、损失函数重构以及基于记忆的建模等范式不同，我们提出了一种由类别平衡专家组成的集成模型，充分融合了多种分类器的优势。该类别平衡专家集成模型在性能上接近当前最先进水平，而其扩展版本在两个长尾识别基准测试中均取得了新的最先进成果。我们通过大量实验对集成模型的性能进行了深入分析，结果发现，在现代大规模数据集中，相对不平衡问题比数据稀缺问题更具挑战性。相关训练与评估代码已开源，地址为：https://github.com/ssfootball04/class-balanced-experts。