基于多图谱的标签融合技术作为一项新兴的研究方法，在模式识别和医学图像分割领域受到越来越多的关注，它利用了更多的已有专家先验知识，通过图谱图像的指导将图谱标签传播到待分割图像上。如何利用好这些先验知识，处理好各个图谱之间的关系，从而获得最佳的分割结果，本文将展开深入地研究。首先，本文详细研究和分析了当前已知的多图谱分割方法的内在特点，在此基础上提出了一个基于图框架的标签融合模型，并将所有的方法都集成到该框架中，指出多图谱方法可以看出是一个组合分类的问题，另一方面也更加利于对比和分析。其次，提出了将稀疏表示的方法加入到该模型中，首先讨论了稀疏表示的概念，接下来提出了基于稀疏表示的权重改进计算方法，通过对过完备的非局部信息的稀疏选择，考察不同的选择方法对融合精度的影响，实验中对稀疏后的权重进行了具体地分析，实验证实了稀疏方法的优越性。最后，在稀疏表示的基础上，进一步提出使用半监督学习的方法来改进稀疏方法带来的不鲁棒性。稀疏表示的方法能够确保更好的判别性，然而其稀疏的本质使得在分割图像时可能会不光滑，因此，本文引入了基于半监督学习的稀疏表示方法，通过在输入图像和图谱图像之间构建连接结构图，来学习输入图像的标签。实验结果表明，半监督学习方法有效地改进了图像的光滑性，同时又保持了图像的结构信息。