近年来，半监督语义分割的进展在很大程度上依赖于伪标签技术来弥补标注数据的不足，却忽视了语义概念之间所蕴含的宝贵关系知识。为弥合这一差距，我们提出了一种全新的神经-逻辑半监督学习框架——LogicDiag。其核心思想是：通过符号化知识识别伪标签中的内在矛盾，可作为强大但常被忽视的学习信号。LogicDiag通过基于逻辑诱导诊断的推理机制，有效化解此类矛盾，实现对（可能错误的）伪标签的修复，从而显著缓解长期困扰该领域的错误累积问题。我们在数据密集型的分割场景中展示了LogicDiag的实际应用，将语义概念的结构化抽象形式化为一组逻辑规则。在三个标准的半监督语义分割基准上的大量实验充分验证了LogicDiag的有效性与通用性。此外，本工作凸显了将符号化推理系统性地融入当前主流统计性、神经网络学习方法所蕴含的巨大潜力。