视频目标分割是指将视频序列每一帧中感兴趣的目标区域从背景中分离出来。其中,无监督视频目标分割需要在未给定任何目标信息的前提下,将特定前景目标进行分离,因此成为当前的研究热点和难点。另外,视频序列的复杂性和多变性对无监督视频目标分割的准确性提出了更高的要求。因此,如何充分发掘并有效利用视频序列中丰富的信息以实现更为准确的无监督视频目标分割具有非常重要的研究价值。本文重点研究了如何充分利用视频序列中的深度、光流以及边缘信息实现无监督视频目标分割。首先,对视频帧中深度信息的融入方式进行了研究,然后研究了如何利用光流和边缘信息实现分割算法的完全无监督,最后对多种无监督视频目标分割模型的集成方式进行了研究。本文的主要研究工作总结如下:1、研究基于外观及深度特征的无监督视频目标分割。针对现有无监督视频目标分割算法在利用目标运动信息时,运动估计不准确以及目标与背景之间存在外观和运动混淆的问题,提出了融合外观及深度特征的无监督视频目标分割网络DNet-FAD（Dual Network Fusing Appearance and Depth）。通过引入前景目标和背景之间的深度差异,解决外观和运动混淆以及运动估计存在偏差的问题。同时,研究了深度特征和外观特征融合的层次和方式,提出了三种特征融合策略。最后,在通用数据集Seg Track v2和DAVIS 2016上进行实验证实了本文所提算法的有效性。在DAVIS 2016数据集上,本文算法取得了78.9%的分割精度,与当前主流方法相当;在数据集Segtrack v2上的分割精度达到77.1%,超过第二名12.8%。2、研究基于边缘及运动信息增强的完全无监督视频目标分割。针对现有无监督视频目标分割算法未实现完全无监督的问题,提出了基于边缘及运动信息增强的完全无监督视频目标分割网络BMENet（Boundary and Motion Enhance Network）。首先,提出了一个光流信息优化模块,在实现分割算法完全无监督的同时提高了训练样本的准确性。另外,为使分割网络学习到更为准确的边缘信息,引入了分割图像的边缘损失。最后,在DAVIS 2016数据集上的消融实验证实了本文所提算法BMENet的有效性,分割精度超过基网络15%。并且,与同类方法相比,本文算法取得了第二名的成绩,分割精度与第一名仅相差5.7%。在完全陌生的数据集Segtrack V2上,本文提出的BMENet分割精度达到60.3%,优于训练有监督的方法LVO 3%。3、研究基于多假设传播的无监督视频目标分割算法。为将多个无监督视频目标分割模型集成,以充分发挥现有分割模型的优势,引入了目标跟踪领域的多假设跟踪算法,提出了基于多假设传播的无监督视频目标分割算法。通过在现有分割模型的基础上为目标建立多假设传播树,以获取视频序列每一帧中最优的分割结果,提高现有分割算法的分割精度。在数据集DAVIS 2016上进行实验验证了所提算法的有效性,分割精度超第二个研究点11%。在Segtrack V2数据集上的分割精度取得了第一名,并且超过第一个研究点1.5%。图23幅,表9个,参考文献77篇。