随着互联网的普及以信息技术的发展,产生了大量的视频数据,针对视频进行高效处理已成为计算机视觉领域的重要研究课题。视频目标分割是视频处理的基础,对于场景理解等有重要帮助,是计算机视觉领域的研究热点。根据目标分割过程中是否有人工干预,可将视频目标分割划分成半监督视频目标分割和无监督视频目标分割。半监督视频目标分割是在给定视频第一帧掩码情况下进行视频后续帧的目标分割。无监督视频目标分割在无人工干预且目标物体未知的情况下,主动找寻目标物体并在视频后续帧中将目标物体从背景中分离出来。当前主流的半监督视频目标分割方法大多基于耗时的在线微调方式,而当前主流的无监督视频目标分割方法需要联合视频所有帧确定待分割目标。以上视频目标分割方法虽然准确率有所提升,但耗时较长,分割效率较低。本文针对以上问题,提出两种视频目标分割方法:基于注意力修正的半监督视频目标分割方法和基于显著性检测的无监督视频目标分割方法。本文主要工作如下:1)给出了一种基于注意力修正的半监督视频目标分割方法。该方法首先构建外观特征提取子网,提取视频第一帧特征图并作为外观指导信息;然后,获取前一帧分割结果作为空间指导信息;最后,构建基于双分支结构的当前帧特征提取子网,通过外观修正通道注意力和位置修正空间注意力将指导信息融入当前帧特征图,从而实现目标分割。2)给出了一种基于多尺度特征引导的显著性检测方法。该方法首先提取输入图像的多尺度特征,获得粗糙显著特征图;然后将粗糙显著特征图作为多尺度高级语义特征信息指导显著特征图的细化,并加入注意力模块实现显著图的特征筛选,得到更好的显著图。3)给出了一种基于显著性检测的无监督视频目标分割方法。首先基于多尺度特征引导的显著性检测生成视频第一帧显著图;然后将视频第一帧显著图作为视频第一帧目标掩码,输入基于注意力修正的半监督视频目标分割方法中,指导视频后续帧的分割。4)设计并实现了基于无监督学习的视频目标分割系统,详细说明了该系统的功能模块和图形界面,并对系统的检测结果进行了分析和评价。