指称分割问题旨在根据语言表达的描述定向地分割图像或者视频中的相关视觉区域。与传统的语义分割或者实例分割任务相比,它可以不依赖于预定义的语义类或者目标类,直接根据语言的描述分割图像中或者视频帧中的任意区域,从而更加灵活地应对分割中的不确定性。指称分割作为计算机视觉与自然语言处理交叉领域中的一项基础而关键的技术,在人机交互、智能问答、机器人等领域具有广泛应用。近年来,随着人工智能技术的迅猛发展,有关指称分割的研究逐渐得到重视,并成为跨媒体领域的重要课题之一。目前,有关指称分割技术的研究已经取得较大进展,但仍存在一些问题和挑战。例如,如何推动复杂场景中的视觉和语言信息的深度交织,如何利用弱标注实现高性能指称分割等。针对上述问题,本文基于深度学习技术,对指称图像和指称视频分割问题进行了深入研究。本文的主要创新工作如下:（1）为了增强不同尺度多模态特征之间的相关性,本文提出了一种基于编码器融合的指称图像分割算法。该算法利用协同注意力机制,将语言特征嵌入到视觉编码器中,将其转换成多模态特征编码器,并实现语言对不同尺度多模态特征的渐进式引导。其中协同注意力机制用于学习多模态特征的共同映射,使它们在新的特征子空间有更好的语义一致性,以最大程度发挥语言的引导作用。在网络的解码阶段,设计了一个边界增强模块来加强网络对目标边界的关注,以便使网络恢复出更完整的指称区域。实验结果表明,该算法可以明显提高指称图像分割的精度。（2）考虑到指称图像分割与定位任务的关联性,本文提出了一种多任务网络模型。该模型首先构建一个双向跨模态注意力模块来融合多模态特征,其先利用视觉引导学习逐像素自适应的语言上下文,而后再用学习到的语言上下文去反向引导任意两个视觉位置之间的关系建模,通过两者的相互作用,可实现不同模态间信息的相互嵌入。此外,本文设计了一个自下而上的多层次特征融合分支,它将低层次特征所包含的局部细节信息融合进高层次的全局特征之中,并将指称分割预测图作为门函数来控制融合过程中的信息流动,使网络更加关注指称区域的边缘细节,从而使网络产生更贴合目标的定位框。实验分析表明,该模型在分割的性能和速度上同时达到了先进水平。（3）为了缩减大量的像素级数据标注所消耗的人工成本,本文提出了一种基于边界框注释的弱监督指称图像分割算法。该算法首先设计了一个对抗的边界损失,促使网络在边界框水平真值的监督下学习出指称目标的轮廓。然后,利用预测出的轮廓去筛选无监督算法所生成的区域提案,进而构建伪标注。接着,在利用伪标注去训练分割网络时,为了削弱噪声标签的影响,该算法采用两个网络去相互为对方挑选高置信度的标签。该算法从不同角度过滤伪标注中的噪声信息,在一定程度上缓和了过拟合现象,从而增强了分割网络的性能。（4）为了探索多层次的文本语义上下文,本文提出了一种基于双流交织编码的指称视频分割算法。该算法采用多个级联的Transformer模块来提取多层次的语言上下文,并在语言编码器和视觉编码器之间多次嵌入视觉语言互引导模块,推动了两个编码器之间多水平信息由浅到深的渐进式交互,实现了多模态特征的深度交织。为了加强视频序列中多模态信息的时序一致性,本文设计了一种语言引导的多尺度动态滤波模块,利用语言引导的时空上下文学习一组位置自适应的多尺度动态滤波器,并用其更新当前帧的特征。实验结果表明,该算法通过模态间以及帧间信息融合,有效地提升了指称视频分割的性能。