视频目标分割（VOS）是对视频序列中的一组目标对象进行像素级分类的问题。近年来,它在自动驾驶、监控和视频编辑等领域得到了广泛的应用,受到了广泛的关注。VOS是一个非常具有挑战性的问题,因为在推理过程中目标对象仅由第一帧参考掩膜定义,没有其他先验信息的假设。因此,VOS方法必须利用这个非常有限的目标信息,以便在后续帧中执行分割。如何捕捉和利用这些有限的信息来准确地划分目标仍然是一个基本的研究问题。细胞检测与跟踪是VOS在医学领域的热点。这对于研究药物刺激下细胞的运动规律有着重要的意义。主要难点是如何有效地处理外观变化和相似的背景对象,同时保持准确的分割。大多数以前的方法在第一帧微调分割网络,导致不切实际的帧率和过拟合的风险。最近的方法集成了生成目标外观模型,但要么鲁棒性有限,要么需要大量的训练数据。本文通过构建一个可训练的VOS网络结构来解决这个问题,采用Py Torch作为网络的开发架构,网络结构集成了特征提取器、标签产生器、权重预测器、目标模型以及解码器。针对小样本问题,采用数据增强操作产生足够的训练图像。特征提取器对训练图像和标签进行特征提取,从而产生更多可用信息,同时特征提取器也为后续标签产生器和权重预测器提供支持。设计了一个小样本学习器,在简洁的目标参数模型中捕获目标信息,并通过最小化分割误差来预测目标模型的参数。目标模型预测目标掩膜的中间表示,然后连同图像特征一起输入分割解码器生成最终预测,预测结果进一步作为参考信息反馈给网络。进一步让模型实现了“元学习”的能力,超越了标准的小样本学习范式,利用从旧任务学习到的先验知识指导目标模型对新任务进行学习。由标签产生器学习多通道的掩膜编码,该编码被小样本学习器用作标签来训练目标模型。这使得的目标模型能够向测试帧中的分割解码器提供更丰富的特定于目标的信息。此外,为了引导学习器关注目标中最关键的方面,还构造了权重预测器来预测小样本学习目标中不同元素的空间重要性权重,使得计算的损失更灵活、更准确。方法快速,容易训练,并且对于训练数据有限的生物医学图像,例如细胞图像,较为有效。对具有挑战性的You Tube-VOS数据集进行了实验,网络架构具有较良好的性能。