视频目标分割是场景理解的基础,对计算机视觉中多个领域的研究具有重要意义,包括动作识别、自动驾驶汽车、目标跟踪等。半监督的视频目标分割方法根据给定的第一帧掩码标注,自动地分割后续视频帧中的目标,需要的人工干预少。近年来卷积神经网络的发展和大型数据集的出现使视频目标分割的精度得到了显著提升。然而大部分精度较高的半监督算法依赖于在线微调过程,增加了额外的时间代价。由于视频场景多样化,一方面目标在表观和尺度上会随时间发生改变,另一方面当视频中存在多个相似物体时,容易引起分割误差。除此之外,目标被遮挡或者暂时超出视野时,一些过于依赖上一帧分割结果的方法可能丢失目标。本文针对该领域的难点和现有方法的缺点,提出了两种不同思路的半监督视频目标分割算法。针对目标表观和尺度变化较大的场景以及存在相似性物体的场景,本文提出了多特征指导的视频目标分割算法。利用第一帧、前一帧和当前帧目标的表观信息构建全局表观匹配特征和局部表观匹配特征,捕获视频中目标的变化。同时估计像素到目标中心的偏移量构建目标中心图,区分不同位置的目标,特别是相似性目标。这三种信息与特征提取网络得到的主干特征进行组合,指导模型实现精确的视频目标分割。针对现有算法过度依赖上一帧分割结果,导致在部分场景下出现目标丢失的问题,本文提出了抗丢失的视频目标分割算法,将实例分割模型Mask R-CNN扩展到视频目标分割任务中。首先将Mask R-CNN的N个实例类别映射为1个前景类,将其调整为语义类别无关的实例分割模型,Mask R-CNN的输出作为候选目标。其次,对Mask R-CNN添加一个额外的嵌入向量分支,提取候选目标的256维特征向量。在此基础上,本文设计了目标匹配和模板库更新策略,建立视频帧之间的关联,通过计算候选目标与模板的特征向量相似度,在当前帧的候选目标中找到与模板最相似的目标,并得到其分割掩码。该方法只需给定第一帧待分割目标的边界框而不是精确的掩码标注,就可以实现指定目标的分割,并且独立地处理每一个视频帧,不受之前分割结果的影响。本文在DAVIS数据集上对两种算法进行了评估,与无需在线微调的算法相比,本文的两种算法精度最高。与耗时严重的在线微调类算法相比,本文算法在精度和速度之间有着更好的权衡,同时有效地解决了多样化场景中的视频目标分割难点。