互联网技术的发展与数据交互的变革,给人们生活带来便利的同时也导致了大量的数据冗余。作为一种视频自动化处理技术,视频目标分割能够从海量的冗余数据中快速准确地提取人们感兴趣的信息,因此被广泛应用于自动驾驶、动作识别、视频理解等领域。其中,半监督视频目标分割仅需给定第一帧目标掩膜,可自动地对后续视频帧进行分割,是目前主流的研究方向。对于分割精度、分割速度和鲁棒性三个需求,现阶段的视频目标分割算法通常无法同时达到最优,需有所取舍以寻求一个平衡。同时,待分割视频本身也存在目标表观变化剧烈,相似目标混淆,目标遮挡和消失等难点,进一步增大了分割难度。针对上述不足和难点,论文开展了面向不同场景需求的视频目标分割研究,主要内容和创新点如下:以满足典型应用场景实时性需求的前提下有效提升分割精度为目标,通过高效率的时序建模,提出了基于多重注意力引导的视频目标分割算法。该算法从特征匹配和特征融合两方面进行对应模块的设计。对于特征匹配,基于注意力机制设计了联合注意力引导模块,从两个不同层次引导网络关注感兴趣的目标区域,增加目标前景的显著性。对于特征融合,基于时序连贯性设计了多维度时空特征融合模块,将高低维度上不同时刻的特征进行高效率地融合,进一步细化分割细节。该算法满足典型应用场景实时性需求下可实现最佳的分割精度,同时在占据大多数的常规场景下,可实现具有竞争力的目标分割效果,适用于对速度要求高、精度要求次之的应用场景。以降低遮挡和消失场景引起的分割误差为目标,提出了基于自适应特征匹配的视频目标分割算法。基于目标变化区域呈现规律,设计了自适应特征调整策略,以标注帧信息作为初始参考特征,对变化区域进行检测并分别对动态和静态特征区域执行不同特征操作,以适应遮挡和消失场景下目标特征剧烈变化过程,时刻保持高质量的参考特征用于匹配。基于目标位置和特征一致性,设计了位置约束和目标关联模块,强调目标位置信息和全局关联信息,进一步引导模型进行精确地分割。该算法在目标遮挡和消失场景下可实现当前极具竞争力的分割效果,适用于目标遮挡和消失频繁的应用场景。