En la propagación de etiquetas semisupervisada (LP), el conjunto de datos se aproxima mediante un grafo, que se considera como una métrica de similitud. La estimación del grafo es una tarea crucial, ya que afecta a los procesos posteriores aplicados en el grafo (por ejemplo, LP, clasificación). Dado que nuestro conocimiento de los datos es limitado, una sola aproximación no puede encontrar fácilmente el grafo apropiado, por lo que, en línea con esto, se construyen múltiples grafos. Recientemente, se han utilizado técnicas de fusión de múltiples métricas para construir grafos más precisos que representen mejor el conjunto de datos y, por lo tanto, mejoren el rendimiento de LP. Sin embargo, la mayoría de estos algoritmos ignoran el uso de la información del espacio de etiquetas en el proceso de LP. En este artículo, proponemos un nuevo método de fusión de grafos de múltiples métricas, basado en el algoritmo de Incrustación de Manifold Flexible. Nuestro método propuesto representa un marco unificado que fusiona dos fases: fusión de grafos y LP. Basándonos en una vista disponible, se generaron de manera eficiente diferentes grafos simples que se utilizaron como entrada para nuestro enfoque de fusión propuesto. Además, nuestro método incorporó la información del espacio de etiquetas como una nueva forma de grafo, a saber, el Grafo de Correlación, con otros grafos de similitud. Además, se actualizó el grafo de correlación para encontrar una mejor representación del conjunto de datos. Nuestros resultados experimentales en cuatro conjuntos de datos faciales en reconocimiento facial demostraron la superioridad del método propuesto en comparación con otros algoritmos de vanguardia.