为了克服传统土地评价方法中受过多人为因素干扰的缺点，使评价结果更能反映土地变化的自然规律与本质特征，提出利用精简模糊分类关联规则和模糊判决进行土地评价的方法。模糊分类关联规则能从土地评价数据中挖掘出易于理解的土地评价规则。并且，为了降低土地评价模型的复杂程度，提高模糊关联规则分类的有效性和可解释性，通过精简模糊分类关联规则，去除了土地评价中的冗余规则，并针对了模糊判决中难以判决的问题，提出分组模糊判决算法进行迭代。 神经网络、支持向量机等由于训练样本的随机抽取，或者网络结构、核函数的选择不当容易引起分类结果准确率不高或者不稳定。分类器集成算法通过增强分类器差异度，从而提高分类结果的准确率和稳定性。分类器集成算法内容包括： (1)神经网络集成。BP神经网络集成和RBF神经网络集成能够降低对神经网络应用经验的要求，并且能够提高分类器集成的容错和泛化能力。SFAM神经网络集成则能够很好地克服SFAM神经网络受输入样本顺序的影响。 (2)半监督学习集成。模糊分类关联规则结合最近邻聚类集成算法只需要少量的训练样本即可获得比较高的准确率，适合于只有少量样本的情形，有助于减轻土地评价专家的工作量；模糊k-means聚类结合支持向量机集成算法则适合于有大量训练样本情况下，能够有效地克服支持向量机只能够在少量训练样本下有效的缺点；SVC与模糊k-means聚类结合支持向量机结构刚好相反，SVC集成算法可减少迭代过程中过多人为干预的影响，淡化簇轮廓的精细程度，使算法能处理包含了不同分布密度的簇，从而提高了泛化能力，适用于只有少量样本的情况。 以广东省第二次土壤普查成果资料以及中山市农用地分等成果为主要数据源，用模糊分类器和分类器集成对所有样本进行测试的实验结果表明，模糊分类器和分类器集成算法都获得了较高的准确率，分类器集成的结果大多数情况下优于单个分类器的结果。模糊分类器中的精简模糊分类关联规则提高了土地评价知识表达的简易性和可解释性；分类器集成提高了成员分类器的稳定性、容错和泛化能力，同时也克服成员分类器运用过程中的某些受限因素。土地评价中模糊分类器和分类器集成的应用，对推动土地评价自动化和智能化等研究都具有重要的科学技术意义和应用价值。