视觉图像感知技术是近年来人类获取信息的主要手段和途径,近年来,随着现代计算机视频图像技术的进一步发展和其应用的越来越多样化,人们对于图像尤其特别是连续的高层次视频图像序列的需求越来越大,这也充分激发了近年来人们对于视频图像的处理分割技术不断探索和研究的热情和兴趣。视频图像的分割根据比较低层视觉图像信息提取出一个序列的图像目标,为其进行后续对目标图像识别、目标的跟踪和对图像的理解等高层次图像的处理工作提供必要的理论和依据。在现在深度学习领域中,视频目标分割主要分为半监督式分割和无监督式分割。对于半监督视频物体分割任务来说,它需要第一帧分割物体区域的ground-truth,通常都该区域是人工进行手动标注的,然而人工的标注往往费时费力,且手动标注无法使其得到客观的统一。在无监督视频物体分割中,算法根据显著性检测识别分割物体,不同算法之间可能会检测出不同的分割目标。因此,本文提出一种基于深度学习的交互式视频物体分割技术,交互式分割算法特点是大大减少了图像分割标注的工作量,节省了大量的时间。首先,人工通过对视频序列初始帧中想要进行分割的物体画框标注,使用改进图割算法得到初始分割结果。接下来利用基于深度学习的神经网络对其它帧进行物体分割,得到整个视频序列的完整分割结果。人工检查分割结果,找到分割结果较差的视频帧,对分割目标重新画框标注,再次使用改进的图割算法对分割结果较差帧进行了重新分割。最后,重新使用深度神经网络改善视频其它序列物体分割的结果,直到整个分割结果让人满意。然后本文对提出的分割网络分析其缺陷,在神经网络结构的设计基础上提出了改进方案。首先在基础网络上添加扩张卷积来提高感受野,其次在网络上引入Attention机制,使得网络在数据解码的阶段从大量的信息中快速的筛选得出高质量有价值的信,从而大大提高了分割的精确度。最后,本文所提出的交互式视频物体分割算法选择在Davis数据集做分割实验,同时与当前一些主流的分割算法做了对比。最终的实验结果以及数据分析表明,本文中所提出的分割算法在视频分割的精度上明显优于当前大部分主流的方法。