视频目标分割旨在从复杂的视频场景中提取出感兴趣的目标,并对其快速精确的分割。然而,在实际环境中视频目标分割仍然面临着许多外界干扰因素导致的困难,尤其在多个相似目标共存时,视频目标分割可能会更具有挑战性。因此,为了处理复杂视频场景下单目标和多目标的分割问题,本文提出了基于金字塔网络调制的半监督视频目标分割算法,主要研究工作如下:针对目标尺度变化,颜色不均匀等复杂的视频场景,提出一种基于金字塔池化网络调制的半监督视频单目标分割算法。首先,通过调制网络的一次单向传递以使分割模型适应给定目标的外观特征,具体而言,从给定目标的视觉和空间信息中学习一种调制器,并通过调制器调节分割网络的中间层以适应特定目标的外观变化和位移信息;然后,通过多区域上下文融合的方法,在分割网络的最后一层中聚合全局上下文信息;最后直接融合分割网络高低层的特征信息,以弥补分割网络的最后一层对于目标细节信息的缺失。所提出的半监督视频目标分割方法是一个端到端训练的分割网络。大量的实验结果表明,所提方法在DAVIS 2016和DAVIS 2017数据集上的性能与较先进的使用在线微调的方法相比,可达到相竞争的结果,并在单个GPU上以每帧0.14s的速度运行。针对视频中多目标分割效果不明显的问题,本文进一步提出一种基于双重金字塔网络调制的半监督视频多目标分割算法。本文在分割网络的最后一层后面加入逐步融合高低层特征信息的思想,具体而言,通过横向连接的自左而右结构,在所有尺度中构建高阶语义特征图,以充分融合低层特征中的目标位置和细节信息以及高层特征中的强语义信息,从而达到改善模型分割效果的目的。通过实验表明,所提方法有效地提高了上文方法中多目标的分割精度,在DAVIS 2016和DAVIS 2017数据集上的分割精度分别提高了0.9个百分点和2个百分点。此外,本文也研究了算法实时性的问题,通过加入大规模数据训练和使用轻量级网络,分割模型可以在单个GPU上以每帧0.06s的速度运行,增加了分割算法的可实用性。