随着视频数据获取和互联网传播变得越来越便捷,每天都产生庞大的视频数据需要处理,高效的视频目标分割技术是实现海量视频数据自动分析的关键基础之一。视频目标分割相当于像素级别的视频目标跟踪,根据人工参与的程度可以分为无监督式分割、交互式分割和半监督式分割,其中无监督式分割自动检测视频中的显著目标,半监督式分割需要用户标注感兴趣目标的精确模板,交互式分割则介于这两者之间。监督式分割具有较突出的应用推广前景,因此以深度学习方法为代表半监督式视频目标分割取得了较好的研究成果。然而,大多数方法在处理每个视频序列时都需要利用目标模板微调网络参数,适应该目标实例才能得到较好的分割效果,这种在线微调的方式十分耗时,影响到其实际应用。论文针对该问题,以无需在线微调为目标,对半监督式视频目标分割方法开展研究,论文的主要工作如下:首先,详细总结了目前比较经典的视频目标分割方法,包括基于传统机器学习的和基于深度学习的视频目标分割方法,以及涉及的相关技术,在此基础上指出了目前视频目标分割方法存在的问题,从而提出了本文的研究目的。然后,基于视觉注意力机制,提出了视频目标的引导分割方法。以图像分割网络为基础,融合感兴趣目标的视觉与空间信息作为引导信息,并结合视觉注意力引导图像分割网络关注该目标,避免了在线微调的过程,实现视频目标的分割。其次,结合循环神经网络,优化了上述目标引导方法的模型结构。在目标引导方法的基础上,增加循环神经网络的结构,实现引导信息的在线更新,提高了长序列视频的目标分割效果,实现模型端到端的学习。最后,以DAVIS数据集为基准,在区域相似度、轮廓精确度和运行速度这三个评价指标上,与其它方法开展了一系列对比实验,证明了模型不依赖在线微调就能达到较好的速度与精度,具有一定的参考应用价值。