半监督视频目标分割任务在视频数据广泛生成的趋势下成为了计算机视觉的研究热点,能够帮助研究人员自动将视频序列中所关心的目标分割出来,提升后续任务的效率,并且已广泛的应用在自动驾驶、视频编辑和视频监控等领域中。但由于视频数据的复杂性,半监督视频目标分割依然面临着遮挡、目标外观变化、相似目标等挑战问题,现有的方法无法鲁棒地面对多个困难场景。为此本文从两个角度提出了不同的解决方法,并通过大量实验对所提出方法进行验证。本文的主要研究工作及创新点如下:1.针对基于传播的方法能对目标平滑地传播但无法适应遮挡、快速移动等场景,而基于匹配的方法能在不同时刻根据目标外观相似度进行匹配但较难适应目标外观变化的问题,提出了一种结合传播和匹配的双分支模型。其中结合指引的传播模块通过结合第一帧和前一帧的特征信息,充分利用目标指引进行传播。而在全局匹配模块中提出一种动态更新的方式尽可能存储过去所有帧的信息,从而更好地适应目标外观的变化。在公开数据集上的实验结果表明该模型在精度和效率上都超过了大多数现有的方法,并得到了较好的结果。2.针对已有基于记忆机制的方法在处理长视频数据时会随着时间线性增加计算成本的问题,提出了一种基于自适应记忆模块的级联半监督视频目标分割方法。该方法通过一个自适应的记忆模块来避免线性增长,从而适用在长视频数据上。为了进一步提升模型的效率和精度,首先利用从跟踪到分割的级联网络来减少图像分辨率大小,提升后续分割模型的效率,接着添加一个边界预测分支来辅助模型从而提高分割结果的精度。该方法也在公开数据集上的实验结果表明了不仅在记忆机制方法的基础上提升了精度,还具有更高的效率,并且不会随着时间增加计算消耗。