视频分割方法对于众多计算机视觉任务非常重要,尤其是在影音娱乐的视频交互应用中。基于深度学习的视频分割方法在测试数据集上显示出比传统方法更高的准确性,但在大多数实际应用中为了自动校正抖动伪像,而付出了更多的时间成本,此外高质量且具有完整标注的视频序列和大规模复杂环境的视频数据集都十分稀缺。本文研究了这种抖动伪影如何降低视频分割结果的视觉质量,发现以神经网络学习为主的算法受到标注质量的影响更大,人工在图像边缘标注的局限性导致了最终的掩膜抖动风险。本文研究了视频分割的稳定性问题,并针对性地设计了相关的算法,具体工作和贡献如下:为了避免依赖昂贵的人工标注真值,本文首先在仅有图像和字幕描述的样本中,针对文本描述中反映的图像显著目标进行准确的分割。为此,本文提出了文本图像匹配模型,将不同模态的信息映射到高纬度的特征空间中进行深度的匹配训练。然而文本信息所能表达的显著目标细节有限,为了提升目标检测的准确度,本文提出了循环微调模型,在不依赖真值标注的情况下,采用自训练的方法将图像文本匹配模型反映出的图像显著目标先验作为伪真值,反馈给循环微调网络来关注某些局部区域,并逐步产生高分辨率的预测结果。实验表明,相比于无监督、弱监督的方法,本文提出的基于文本描述的图像显著目标检测方法在多个数据集上的分割准确度提升了大约25%,处理速度提升近1倍达到了72帧每秒的图像处理速度,且与全监督方法的分割准确度仅有5%的差距。为了改善视频分割算法产生的抖动伪影,本文研究了视觉抖动问题产生的根本原因以及相关的现状分析,提出了新的数字指标稳定率来明确地测量了视频分割结果的时序一致性。为了进行系统化的验证,本文还提出了一个大型视频人像数据集VHS,为促进视频分割任务的进一步研究。为了解决实际分割效果中的抖动伪影,本文提出的在线一致性匹配学习策略可以巧妙地利用未标记的视频来增强视频分割中的时序稳定性。该策略通过使用提出的一致性监督,来对齐前后边缘区域在时序上的分割一致性,并强化整体匹配像素对在时序运动中的预测置信度,实现无监督下视频分割结果的连贯性。由于本文提出的视频分割稳定性的通用框架可以在与现有的视频分割模型配合使用,在不增加额外预测成本的情况下实现视频分割任务在分割准确度和视觉稳定性中的统一。而且本文提出的算法在不同视频分割任务中用0.3%的相对准确度损失换取了5倍的稳定性提升,在多个真实样例中具有相当震撼的视觉效果。