视频目标分割任务是计算机视觉领域中一个非常基础但又充满挑战性的问题。这个问题可以描述为:已知视频中目标在第一帧的分割掩膜,求解后续每一帧内对应目标分割的结果。视频分割技术作为大数据处理应用中的重要一环,在当代生活中发挥着越来越不可替代的作用。与此同时,视频目标分割技术已经在视频监控、虚拟现实、异常检测和自动驾驶等领域获得了广泛的应用。现存的方法主要有两个问题需要面对:第一点是在遮挡、外观变化大、背景杂乱和光照变化等多种复杂环境下,很难将视频序列中的目标从背景中分离出来。第二点是这些方法需要在给定视频的第一帧的掩膜上对分割模型不断微调,这种做法不但耗时,而且非常低效。为了处理这些问题,本文提出了一种基于元学习的视频目标分割方法。具体来说,本文所提出的方法是通过超参数优化建立一个自适应的学习过程。下面从置信模式、元学习策略和网络设计三个方面改进现存的方法,具体如下:（1）基于双流置信模式的视频目标分割为了在自适应模型在线学习的过程中获取更准确的指导信息,本文引入了双流置信模式,用来对表观信息和运动信息进行建模。这里本文所提出的模型使用检测的方法建模表观信息,使用光流算法建模运动信息。论文所提出方法同时使用表观和运动信息构建双流置信模式约束的原因在于:使用这两部分信息相互约束获得的置信模式往往有更高的置信度,这对取得更好的分割结果非常有帮助。（2）基于超参数优化的快速视频目标分割现有的基于深度学习的视频目标分割方法主要是在测试视频序列第一帧上对分割模型进行适应微调,这是一种很耗时的方法,并且不能很好地适应当前的目标视频。为了更快更好地适应测试视频,本文利用不同视频/帧中的置信模式构建了在线自适应学习策略,并引入基于超参数优化的元学习方法来加速模型适应于特定目标,并把这种方法叫做元学习策略。本文利用元学习策略来评估网络在线自适应置信模式信息的能力,该策略可以综合运动信息和表观信息,在线指导网络权重的学习更新步骤。元学习策略包括四个阶段:预训练阶段、元学习训练阶段、元学习微调阶段和元适应阶段。（3）基于网络结构自优化的视频目标分割网络模型网络结构的设计对于深度学习方法来说非常的重要。一个合理的网络结构可以带来很大的的效果提升,所以本文也尝试了很多方法来优化网络模型。近年火热的网络架构搜索可以说属于广义上元学习的范畴,通过平衡模型大小和模型效果,找到最优秀的网络结构。最后,本文介绍并使用了通过基于梯度的网络架构搜索方法来设计的网络模型。实验部分,本文通过测试四个数据集,并综合了与其他现存比较先进的方法相比较得出的结果,证明了本文所提出的框架在单目标和多目标分割任务中都具有一定的优势。