随着互联网技术和计算机技术的发展,以视频形式存储的数据已经成为了信息传播的主要载体之一,视频所包含的信息相比于图像更加丰富,更具表现力和渲染力,其中不仅包含静态的空间信息,还有大量随时间变化的运动信息。所以,视频数据的处理和分析是一个很重要的研究领域,本文所研究的视频目标分割是其中的一个重要研究方向。视频目标分割是指需要人为预先指定待分割目标（通常是给出视频序列的第一帧的分割掩码）,然后依据首帧掩码引导算法在视频的剩余帧中实现指定目标分割。该技术被广泛应用于视频特效、视频监控、自动驾驶、智能相机等诸多领域,因此,具备很高的应用和研究价值。本研究的目的是利用基于视频整体的全局信息构建一个高鲁棒性的模型用于视频目标分割。本论文针对大多数算法在面临目标外观突变、目标遮挡、目标消失与重现、监督数据稀缺、目标与背景难以区分等视频目标分割的固有难点时鲁棒性不足的问题,提出了有效的解决方法。具体如下:（1）本研究利用马尔可夫随机场对视频目标分割任务进行建模,将视频目标分割问题转化为马尔可夫时空图模型中的节点标记问题。并建模高阶能量函数求解节点标记的优化问题,通过最小化能量函数,获得视频序列的分割结果。（2）本研究利用文本分类思想在语义分类方面的优势来建模像素点的高阶依赖,即结合文本分类思想建模能量函数的高阶项来增强目标分割的全局一致性。实验结果表明,在该高阶能量的约束下,模型在鲁棒性和精度上均有显著提升且在与主流算法的对比中具有一定的竞争力。（3）本研究针对视频目标分割任务的监督数据稀缺问题,提出基于元学习思想的深度视觉字典算法。视频目标分割任务无法直接迁移语义分割模型的原因在于分割目标无法预先训练。因此,将元学习思想应用到视频目标分割任务中,即通过大量相似任务的训练,提升模型的泛化能力。实验结果验证了提出的算法的有效性。（4）本研究基于掩码学习的思想对像素点的高阶依赖进行建模来增强分割模型的鲁棒性。相比于（2）提出的基于传统特征的高阶项的建模方法,基于深度学习的高阶项鲁棒性更高,先验信息更加丰富。在多个数据集（DAVIS-2016和You Tube）上的实验结果表明,（4）提出的方法在鲁棒性和精度上较（2）提出的方法均有显著提升且在与主流算法的对比实验中获得了具有竞争性的表现。为了验证本研究提出的算法的有效性和高效性,本文在多个数据集（DAVIS-2016和You Tube）上进行了定性和定量评估。首先进行消融实验对不同参数的设置情况下模型的结果数据进行分析,实验结果表明提出的高阶项约束显著提升了模型的精度和鲁棒性;之后,在数据集DAVIS-2016和You Tube上设计了对比实验,将本文算法与领域内的主流算法进行了对比,结果表明,本文提出的算法在精度和鲁棒性上均获得了具有竞争性的结果,而且在某些极具挑战性的分割场景下甚至可以获得最好的分割结果。