遥感影像数据因其固有的不确定性与复杂性，导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性，其中二型模糊集能更好地刻画类间多重不确定性，而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题，因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SS-AIT2FCM）。首先，结合半监督和进化论思想，提出一种新的模糊权重指数选取方法，以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性，使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类；然后，通过对少量标记样本的软约束监督，对区间二型模糊算法迭代过程进行优化指导，来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据，对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明，SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界，且有较好数据泛化能力。