信息技术的快速发展使视频成为目前应用最广泛的信息载体之一,互联网中的视频类型众多、质量不一,对视频处理算法提出了更高要求,视频目标分割作为关键的视频处理技术,是计算机视觉应用中的基础任务之一。按照用户参与度可将视频目标分割方法分为三种:无监督、半监督和交互式,其中无监督是对显著目标自动分割,半监督是给定前几帧中的目标模板,而交互式的用户参与处于无监督和半监督之间。半监督方法的实际应用范围更广泛。目前部分视频目标分割方法依赖于光流估计、实例分割以及目标跟踪等其他领域的模块作为算法的附加结构,模块结合能够提高视频的分割精度,但也降低了算法速率。针对以上问题,本文提出了一种基于局部全局一致性学习的半监督视频目标分割方法,不依赖额外结构实现目标快速分割。本文利用局部全局一致性学习算法处理视频数据,通过像素的特征相似性构建图结构,使标签信息在图中传导直到达到稳定。方法主要内容有:（1）利用基于Ghost Net的嵌入网络提取目标的外观嵌入特征,作为衡量特征空间相似性的依据。Ghost Net是轻量级网络,利用线性运算获得冗余特征,减少网络参数量;（2）根据局部全局一致性推导框架构建目标分割传导模型。由于视频序列是顺序处理的,推断时不依赖当前帧之后的视频帧,本文的分割方法是在线预测。与简单的在前一帧或第一帧构建依赖关系不同,本文构建的传导模型考虑到更长距离的目标特性,利用更多未标记的帧构建模型;（3）每一帧图像都含有大量像素,为了减少推断时的内存占用,提高模型速度,提出一种参考帧的采样方法。根据相邻帧间的标签差异较小,而远距离帧间信息联系较弱的特点,在近距离帧中进行密集采样,而在远距离帧中进行稀疏采样。实验结果表明,本文的方法在DAVIS 2017和Youtube-VOS数据集中分别获得了69.5和66.4&的精度,在无需微调的算法中表现优异,且模型的速率达到46FPS。同时为验证算法的实际应用效果,本文构建了高速监控视频数据集,将车辆作为前景目标,算法在该数据集上获得了68.2&,表明本文方法在实际应用中具有较好的泛化性和鲁棒性。