该文针对目前视频显著目标检测方法在处理边界特征时的不清晰问题,采用边界细化的方法来提高显著目标检测的准确程度,完成了基于边界感知和运动融合的视频显著目标检测算法设计。同时借鉴基于deep snake的图像实例分割算法,提出了基于deep snake的视频显著目标检测和分割算法,并完成了视频显著目标的检测与分割。针对半监督视频显著目标检测算法产生的伪标签不清晰的问题,采用在伪标签生成过程中增加循环增强模块,完成视频显著目标检测算法的设计。针对视频显著性目标检测存在的问题,该文主要的研究内容如下:针对全卷积视频显著目标检测算法产生的显著目标边界模糊的问题,引入边界细化模块,细化模糊边界。该算法的核心是设计静态显著模块和动态显著模块两个模块,分别用于估计静态和动态显著性,动态显著性模型结合静态显著性模型的显著性估计,产生时空显著估计,再经过残差细化模块细化模糊边界,得到最终的显著性图。考虑到目前视频显著目标检测算法的数据集太少,算法的训练过程采用图像合成视频显著目标检测数据集的方法,通过大规模的图像数据集,合成视频帧用于模型训练,以免过拟合。并在DAVIS、FBMS、Seg-V2三个数据集上进行实验。借鉴基于deep snake的图像实例分割算法,该文提出了基于deep snake的视频显著目标检测与分割算法。对于输入的连续视频帧,首先由探测器定位显著目标,再根据显著目标边界给出矩形框,然后通过矩形框构造八边形轮廓,根据deep snake算法将八边形轮廓变形到目标对象的边界,得到最后的显著目标。并在DAVIS、FBMS、Seg-V2三个数据集上进行实验。针对半监督视频显著目标检测算法中的伪标签边界不清晰问题,提出一个基于循环增强和半监督的视频显著性目标检测算法。首先利用光流引导的伪标签生成器将稀疏的标记帧生成像素级伪标签,然后通过非局部增强的时间模块,增强伪标签之间的的时空特征,再利用伪标签和部分手动标记的真值,训练视频显著性目标检测网络,显著目标检测器从中学习空间和时间信息并进行对比推断和相关的增强,从而产生准确的显著图。并在DAVIS、FBMS、Seg-V2三个数据集上进行实验。