自动视频分割任务近年来扮演着越来越重要的角色,该任务不仅被应用于视频会议、自动驾驶等针对特定类别目标的场景,还广泛被应用于包含世界万物的视频场景。然而,由于视频场景复杂且物体在时序上外观变化剧烈,多目标自动视频分割任务在实例分割精度和时间连续性方面仍面临着巨大的挑战。现阶段多目标自动视频分割的研究成果共有的问题包括:相似物体区分困难以及复杂场景物体丢失等等。针对这些问题,本文的研究工作基于时空域的特征融合架构,专注于视频目标在语义级别上的分割改进。首先,本文提出一种高效的端到端多目标自动视频分割模型——灵活学习的时间-空间二分支定位修正网络。模型将SOLOv2的质心定位思想作为出发点,以更准确地获取独立物体的质心位置为目标,利用视频序列时空域信息可交互融合的特性,分别完成视频的时域特征匹配和自身特征挖掘。仅用视频帧作为输入,该二分支网络不仅可以专注于单帧外观信息和帧之间运动信息两者的独立性质的学习,还为网络后续的时空融合、类别预测以及分割预测提供更灵活的输入基础。在时空融合后,网络会加入语义优化模块,来捕捉并修正特征在时空交互中出现的错误积累,解决语义信息重叠的问题,从而更准确地定位独立目标物体,生成更精确的目标分割掩码。然后,本文使用注意力变换机制Transformer结构代替卷积层,并从外部输入全局向量来学习视频帧的语义提取方式,在学习的过程中,全局向量结合图像特征不断提升时空二分支网络的自-互注意力,该基于Transformer的时空二分支融合网络模型验证了Transformer结构对被遮挡物体分割的健壮性。与此同时,本文还对比了两种时空二分支网络在解决多目标自动视频分割任务中的优缺点。除此之外,本文在模型中另外添加了识别向量（ID向量）预测及相应监督来完善视频分割模型的时域连续性需求。本文通过大量的实验对比,验证了所提出的两种方法的有效性,相比现有的同领域研究方法,本文的方法在视频分割验证指标J和F上都达到了较高的精度,同时运行速度达到了实时。