视频目标分割是通过用户指定或根据视频特征,在视频中分割出目标物体的一类视频处理技术。其对于视频编辑、推荐、搜索起到支持的作用,具有重要的研究价值。而当前不同的视频目标分割任务分别存在以下问题:通过对每个视频先标注出目标物体去分割指定目标的方法无法跨视频自动化处理、通过运动等信息可以跨视频分割出物体的方法又无法做到语义指定的分割。本文从兼容跨视频处理和语义指定分割的角度出发,对少样本视频目标分割进行研究。此任务的设定是给定少量同类别的标注物体图像作为参考,对查询视频中相同类别的物体进行分割。解决这个任务的关键在于对查询视频与参考图像之间的相关性进行建模,以实现传递参考物体信息进行引导分割查询视频。这种图像之间的多对多相关性可以被满秩注意力机制所解决,但其在计算上是密集。因此,本文基于理论推导提出了一种新的注意力机制——领域代理注意力机制,将满秩注意力中的注意力矩阵代替为两个较小的注意力矩阵的乘积。本文从查询视频中提取出一帧作为领域代理,将其分别与参考图像和查询视频进行注意力计算,对两者信息进行传递。与满秩注意力机制对比,本文提出的领域代理注意力机制在计算复杂度是线性增长,而不是原来的二次幂增长,且在性能上没有带来损失。此外,算法采用了元学习与在线学习相结合的训练策略去学习到通用的相似性比较分割能力和对特定未见过类别的特征表达能力。本文基于Youtube-VIS数据集构建了少样本视频目标分割的基准测试。在实验中,本文首先通过对比实验证明了提出的方法在性能与计算成本上都有所改进,然后对影响领域代理注意力性能的各种因素进行讨论。最后本文与适配该任务的其他方法进行比较,证明了提出的算法达到当前先进的性能水平。