随着深度学习技术的发展,基于深度学习的视频目标分割算法已经成为了处理视频目标分割任务的主要方法。但是深度学习模型需要大量的训练数据进行训练,可以预见,靠人工制作视频目标分割数据集将无法满足规模日益扩大的视频目标分割模型的训练需求。基于自监督学习的视频目标分割算法以其不需要人工标注数据集即可对视频目标分割模型进行训练的特点受到了广泛的关注。由于使用的数据集没有经过人工标注,自监督学习方法将直接决定视频目标分割模型的性能,而有效的模型框架也是提高视频目标分割模型性能的关键。因此,搭建有效的视频目标分割模型,并设计高效的自监督学习方法,是该课题研究中的重点。本文具体研究工作如下:（1）为了进一步提高视频目标分割模型从视频帧中提取的特征对大尺寸目标和小尺寸目标的泛化性,本文提出了基于多像素尺度图像重建的自监督学习方法,通过不同像素尺度的图像的重建任务,使得模型提取的特征兼顾小尺寸目标和大尺寸目标。实验证明通过多像素尺度图像重建的自监督训练任务训练得到的模型较单一像素尺度图像重建的训练任务得到的模型有更好的表现。（2）针对视频目标分割模型在进行视频目标分割时误差累积导致错误分割的问题,本文提出通过图像中目标边缘对目标分割掩膜进行修正。为了在自监督范式下提取目标边缘,本文提出了基于自监督的边缘检测算法。实验表明,通过该方法提取候选目标边缘的表现要好于Canny算法等无监督方法,更加适用于自监督视频目标分割任务。（3）为了根据目标边缘修正视频目标分割结果,本文提出了基于边缘修正的自监督视频目标分割算法。该方法能够使用自监督学习方法训练边缘融合网络,并根据侧输出边缘检测网络预测的候选目标边缘对视频目标分割模型预测的目标粗分割掩膜进行修正,得到更为精细准确的目标分割掩膜。实验表明,该模型能够根据目标帧的候选目标边缘对骨干视频目标分割模型预测的目标帧的目标粗分割掩膜进行修正,效果要好于传统视频目标分割模型。