视频目标分割是一种对视频中的前景目标和背景区域进行分离,实现像素级分类的任务,在视频编码、姿态分析、自动驾驶以及短视频娱乐等方面具有广泛的应用。根据在测试阶段视频所给标注形式的不同,该任务可以分为无监督、半监督、弱监督和交互式四大类别。随着深度学习技术地不断发展,视频目标分割取得了很大的进步,但现有的许多算法都是以牺牲分割速度为代价来提升分割精度,并且在复杂场景下分割的效果往往比较差。本文对弱监督和半监督视频目标分割算法进行研究,提出基于相关信号引导学习层级特征融合的视频目标分割算法,利用网络中生成的反映目标轮廓,纹理信息的相关信号协助分割,在推理速度基本保持不变的情况下,有效提升分割性能,研究成果如下:本文提出了一种基于相关特征引导和动态搜索更新的弱监督视频目标分割算法,针对弱监督视频目标分割算法在分割过程中对相关特征利用不足,分割结果严重依赖于跟踪结果的问题,设计了特征融合分割模块和动态搜索更新机制。首先,特征融合分割模块将跟踪网络的相关特征与骨干网络的各层特征通过编码器网络进行融合并输出,再通过解码器网络,利用相关特征对融合特征进行强化,输出分割结果。然后,通过动态搜索更新机制,利用均衡状态评估得分,综合跟踪边界框和分割轮廓框,作出搜索图片的最佳裁剪选择,缓解了分割结果对跟踪结果的依赖性。最后,本文在DAVIS2016,DAVIS2017以及You Tube-VOS上进行了充分测评。在多目标数据集DAVIS 2017验证集上对比基线方法在推理速度基本不变的基础上实现了1.2个百分点的精度提升,充分证明了所提弱监督视频目标分割算法的优秀性能。鉴于第一个工作对目标细节部分的处理不够精确的问题,本文将相关信号引导的思想引入半监督领域,同时对上一工作中的网络进行改进,提出了深浅层表示融合的半监督视频目标分割算法,设计了高效高阶注意力模型和融合分割模块。首先,高效高阶注意力模型有效的整合了空间和通道注意力模型,能够更好的提取图像的深层语义信息。然后,融合分割模块利用像素级相关信号将深层语义特征和浅层位置特征进行融合,使网络学习到更鲁棒的特征,有效区分复杂背景中的相似物体,提升对目标细节方面的处理效果,提高分割精度。最后,本文在主流视频目标分割数据集DAVIS 2016、DAVIS 2017以及You Tube-VOS上进行了充分测评。结果显示,在多目标数据集DAVIS 2017验证集上,所提算法对比基线方法提升了1.1个百分点,在速度与精度方面均取得了优秀的表现,充分证明了本算法的优越性。