视频目标分割(Video Object Segmentation,VOS)是指按一定的标准分割视频序列的感兴趣目标,是计算机视觉关键的基础任务之一,是智能视频分析等应用的关键核心,在诸多领域具有广泛的应用前景。在第一帧提供特定的感兴趣目标,在视频后续帧中分割出指定的目标,即为半监督视频目标分割任务。现有基于深度学习的半监督视频目标分割方法仍存在以下几个问题:第一,大多数分割方法使用视频第一帧图像和对应的目标分割掩码在线微调深度网络,使得算法耗时长,难以满足实时分割的需求;第二,部分算法忽略了视频中至关重要的时空上下文信息,分割过程中依赖第一帧给定目标的外观信息,随着视频的播放,网络模型难以适应目标的外观变化,降低算法的时序稳定性;第三,大多数算法通常以简单的通道拼接作为掩码传播的主要方式,使模型对相似目标缺乏判别力,导致对多个相似目标容易产生混淆。针对上述问题,本文以视频数据为研究对象,基于深度学习,对半监督视频目标分割技术进行研究。首先本文采用孪生网络结构,提取参考帧与当前帧之间共同的外观特征,并在当前帧中匹配给定的目标对象,代替在线微调的方式,从而有效地减少目标分割的时间;其次,利用视频中的时空上下文信息,设计基于运动感知的感兴趣区域预测算法以及动态自适应的参考帧更新策略,提升分割的时序稳定性;最后,设计一种基于匹配的视觉注意力机制,进一步提升模型对相似目标的判别力,提升半监督视频目标分割的精度。本文的主要研究工作如下:(1)针对基于在线微调的半监督视频目标分割方法计算量大,分割耗时长等问题,本文提出一种基于孪生网络的半监督视频目标分割方法。首先,参数共享的孪生编码器子网将参考流和目标流映射到相同的特征空间,使得相同的目标具有相似的特征;然后,全局特征提取子网在特征空间匹配与给定目标相似的特征,定位目标对象;最后,解码器子网将目标特征还原,并通过连接目标流的低阶特征,提供边缘信息,最终输出目标的分割掩码。在公开基准数据集上的实验表明,本文方法的分割速度有大幅度提升,同时具有较好的分割效果。(2)针对现有半监督视频目标分割方法依赖第一帧给定目标的外观信息且缺乏时空上下文信息,本文提出一种基于时空孪生网络的半监督视频目标分割方法。首先,基于目标区域的历史运动轨迹,动态感知目标的运动趋势,预测当前帧的目标感兴趣区域,作为分割网络的输入;其次,利用光流信息估计当前帧分割掩码的质量,以此判断是否将其作为新的参考帧,实现在目标分割过程中动态自适应地更新参考帧;最后,根据视频目标分割任务的特点,设计高效的损失函数和训练策略,提高分割精度。在公开基准数据集上的实验表明,本文方法的时序稳定性有大幅度提升。(3)针对大多数半监督视频目标分割方法的网络模型缺乏对相似目标的判别力,且传统掩码传播方式对模型的指导能力较弱,本文提出一种基于视觉注意力机制的半监督视频目标分割方法。首先,三流孪生编码器将输入图像映射到同一特征空间,使得相同目标具有相似的特征;然后,基于匹配的视觉注意力机制将编码器输出的特征进行相似度匹配,并将其加权到当前帧特征,形成视觉注意力,以此关注给定的分割目标,提升模型判别力;最后,基于残差细化的解码器利用残差学习的思想,融合当前帧图像的低阶特征,并使用多级损失监督,逐步提升分割细节。在公开基准数据集上的实验表明,本文方法可以较好地解决目标的相似混淆等问题,并能较为准确地跟踪给定的分割目标。