基于记忆的视频对象分割方法通过构建记忆库，在长时序-空间跨度上对多个对象进行建模，取得了显著的性能表现。然而，这类方法在应对错误匹配方面仍存在困难，容易丢失关键信息，导致不同对象之间的混淆。针对这一问题，本文提出一种有效方法，通过联合优化匹配与解码阶段，缓解错误匹配问题。在记忆匹配阶段，我们提出一种代价感知机制，能够抑制短期记忆中的微小误差；同时引入分流式跨尺度匹配策略，用于长期记忆，从而为不同尺度的对象建立更广泛的匹配空间。在读出解码阶段，我们设计了一种补偿机制，旨在恢复匹配阶段中可能丢失的关键信息。所提方法在多个主流基准测试中均取得了优异性能：在DAVIS 2016和2017验证集上分别达到92.4%和88.1%的分割精度，在DAVIS 2017测试集上达到83.9%；在YouTubeVOS 2018和2019验证集上分别取得84.8%和84.6%的准确率。