针对传统半监督自训练分类方法易导致数据集混乱，影响后续小样本树种分类精度这一问题，基于熵权法（en-tropy weight,EW）与集成学习（ensemble learning,EL）提出EW-EL的半监督小样本树种分类方法。EW-EL在传统半监督自训练分类方法的理论上引入EL的思想，以熵权法作为基础理论设计按基分类器当前训练周期下的F1分数计算的信息熵作为计算权重因子，再依信息熵越大基分类器越不稳定思想设计权重，使集成分类器分类概率更集中，减少集成分类器偏向性。结果显示，EW-EL较传统半监督自训练方法能更有效地均衡数据分布，使新加入数据的伪标签样本类别更准确。EW-EL所得到的小样本树种分类总精度（OA）为0.97、召回率（Recall）为0.96及Kappa系数为0.97,3种指标均优于监督分类、传统半监督自训练方法及利用传统EL机制所构建的半监督自训练方法。其中，EW-EL方法较融合软投票机制的半监督自训练方法，OA与Recall均提升了1%。EW-EL联合简单线性迭代聚类所制成的树种图在所选测试区内达到了94%。此外，进一步分析证明，EW-EL能通过集成诸多分类器，来实现更佳的小样本树种分类结果，更适用于低成本下的相关部门进行林业资源统计的工作。