最近的二十年里,随着民航业的快速发展,传统的民航监控手段已经越来越不能满足现代机场场面监视的要求。而计算机视觉技术作为一种较为成熟的技术,已经开始应用于机场场面智慧化建设。在机场的智慧化建设过程中,作为计算机视觉技术的目标分割技术显得尤为重要。然而,由于机场场面环境复杂多变,传统的目标分割算法已经显得力不从心,在实际应用中效果不佳。近年来,由于卷积神经网络凭借其对图像数据强大的特征表达能力,已经广泛被应用于相关视觉任务中,并取得了一定的效果。因此,基于深度学习相关理论,针对机场复杂环境建立一个可行性好、鲁棒性强的运动目标分割方法是很有实际意义的。本文的主要工作如下。由于机场场面辽阔,环境复杂多变,同一个监视画面中会出现不同尺度的目标,而卷积神经网络在特征提取过程会逐渐丢失细节信息。因此,在图像分割领域,使用多尺度结构来获得不同尺度特征,以期望恢复精细检测结果。目前在目标分割任务中,融合不同尺度特征时并没对特征进行选取。于是,本文提出将注意力机制加入到多尺度结构中,让模型学习重要的多尺度特征。另外,由于机场监视是一个长视频序列,在一些复杂场景中,基于深度学习的方法会把相同类型的静止飞机分割为运动目标。为了让模型能够感知运动特征,需要保持一个稳定的背景模型,本文提出了一种新颖的背景估计生成模块估计一个稳定背景。并使用对比特征融合模块来描绘语义上准确的前景形状表示。通过在机场数据集上的大量实验,与其它经典方法进行对比,验证了该方法的鲁棒性。在机场实际应用中,需要稳定地保持对目标的精细分割,而常用的特征提取网络中,没有考虑特征之间的内在相关性,为此,本文提出了一种可学习的多尺度边缘特征编码模块,有效的学习具有多尺度特征的多帧编码器之间的内在相关性,并通过跳跃连接来进行特征解码。针对机场环境中,前景背景样本不平衡问题,使用Focal Loss来指导训练网络,来增加对数据中困难样本的关注。另外,本文通过统计学方法,构建一个机场背景来指导模型编码目标特征,并使用基于传播的思想来引导运动目标分割。通过机场数据集上的实验结果表明了本文模型设计的合理性。