本公开提供了一种采用语义分割模型对视频进行目标分割的方法、装置、设备和介质。涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智慧城市和智能云场景下。语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络。方法包括：将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列；将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列；将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列；基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列；以及将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。