随着信息技术快速发展和互联网快速普及,视频作为互联网中重要的信息传播载体,深深地影响生活、教育、社交、军事等各个领域的发展。视频目标分割技术作为视频处理的关键技术之一,旨在视频序列中分割感兴趣的区域,目前已广泛的用于智能视频监控、智能交通、视频剪辑、无人驾驶等领域。在实际场景中,现有的视频目标分割算法容易受到目标遮挡、光照变化、快速运动、形变等因素的挑战,使得模型无法准确定位分割目标,出现目标丢失或者目标轮廓不完整等问题,导致分割精度低,鲁棒性差。本文致力于半监督的视频目标分割算法的研究,目的是设计一个鲁棒的结合目标时序信息和空间关系进行调制网络的分割模型,使其能够快速适应感兴趣的对象实例。本文的主要研究工作总结如下:本文提出了一种基于特征注意调制网络的半监督视频目标分割算法。构建视觉注意网络和空间注意网络分别学习分割对象的语义信息和空间信息,调制分割网络专注于特定对象实例。这样既能对分割目标的外观信息进行精确表征,也利用了先前帧的运动信息,使得分割模型在复杂场景下更鲁棒的学习分割目标的特征。为了更好地利用多尺度的特征,提出了特征注意金字塔模块,利用不同尺度的池化核捕捉多尺度的特征信息。实验结果表明该方法在目标形变、快速运动、尺度变化等复杂场景下,表现出良好的鲁棒性和精确度,完成高质量的分割。针对多目标分割场景中出现的相似对象实例之间互相遮挡、形变等挑战,本文提出了一种基于双重注意调制网络的半监督视频目标分割算法,在工作一的基础上进一步拓展。构建通道-空间注意模块,进一步细化调制分割网络,增强与分割目标有关的特征,使得分割网络不仅专注于分割目标的整体信息,还专注于局部特征,提高相似对象实例特征之间的区分性。本文还提出残差细化上采样模块,结合高层的语义信息和浅层的位置信息,实现多尺度特征的融合。针对训练样本类别不平衡问题,本文还利用了focal loss损失函数,使得网络专注于对困难样本的训练,加速网络的收敛。针对训练样本不足导致的模型过拟合问题,采用“清醒梦”数据增强策略,模拟未来帧的变化,生成大量训练样本。实验结果表明,本文的模型在多目标分割任务中获得优异的结果。