视频实例分割是近年新提出的一个计算机视觉任务，其将图像实例分割算法扩展到视频领域，在一个统一算法框架内包含了多种计算机视觉任务，包括目标检测、语义分割、目标跟踪等，可以端对端的完成对视频目标的检测、分割、跟踪。现有的视频实例分割技术采用了深度学习作为解决方案，并且取得了较好的结果。
　　目前的视频实例分割技术对视频目标的模糊、遮挡、剧烈形变等问题处理不佳，针对这些问题，本文首先提出了一个基于时序特征增强的级联视频实例分割网络。其中时序特征增强模块在单帧预测时，计算当前帧中的潜在目标与来自视频其他帧中目标的相似性，根据相似性做特征融合，辅助当前帧的预测。其中级联实例分割与跟踪模块通过多级递进的结构对检测目标的位置进行修正，同时进行多阶段的跟踪向量生成，进一步提高了实例分割和目标跟踪的精度。此外，目前的视频实例分割算法都采用了AnchorBox(锚框)的机制，虽然Anchor机制在目标检测领域表现优异，但是仍然存在着一些缺陷，比如超参数繁多、计算复杂、运行速度慢等问题，针对这些问题，本文提出了两种Anchor-Free(无需锚框)的视频实例分割算法，一种为两阶段Anchor-Free网络结构，先使用Anchor-Free目标检测算法对视频目标进行定位，然后进行目标分割与跟踪；另一种为一阶段Anchor-Free网络结构，通过引入全卷积跟踪向量、全卷积像素向量等分支，视频目标的实例分割结果、跟踪向量可以在单阶段中并行输出。两种Anchor-Free方案大大简化了视频实例分割模型的参数设置过程与算法流程，提高了模型运行速度。
　　所提出的三种算法在国际公开视频实例分割数据集上进行了测评，实验结果显示所提出的三种算法均超过了目前已发表工作的最高精度，并且两种Anchor-Free视频实例分割方案进一步提高了现有模型的推理速度。