医学中的大部分疾病都和细胞行为有关。细胞图像分割与细胞跟踪是研究细胞行为的重要手段。传统细胞行为的研究往往是基于人工的方式,不但需要大量的人力,而且在跟踪细胞过程中涉及细胞染色等化学操作,影响细胞的生理运动,从而影响跟踪结果。因此借助计算机视觉相关理论完成细胞图像分割与细胞跟踪对于研究细胞行为具有重要的意义。由于细胞场景中存在细胞聚集、消失与分裂等复杂状态,使得一些经典的图像分割方法和目标跟踪方法不能直接应用于细胞场景中。本文正是基于此对细胞图像分割和细胞跟踪方法进行研究。本文主要完成了以下工作:1)针对黏连细胞问题提出了一种基于多尺度log-filter(Laplace of Gaussian filter)的四阶段细胞图像分割方法。该方法主要涉及阈值法提取细胞区域;基于多尺度log-filter检测细胞中心;基于城市距离定位黏连细胞连接处,之后通过移除低灰度像素或者最近邻方法得到粗分割结果;最后,通过增加梯度约束项改进主动轮廓模型调整分割结果,使得分割结果更加接近细胞的真实边界。该方法在MCF-10A数据集上进行验证,能够得到较好的分割结果。2)为应对细胞分裂、消失、新生等复杂情况,将细胞跟踪问题转化为分类问题,分别实现了基于有监督学习和主动学习的细胞跟踪。该方法通过挖掘细胞特征,基于GBDT有监督学习训练,可以对未知样本取得很好的跟踪效果。针对目前细胞视频标记样本缺乏问题,采用主动学习的思想解决,通过制定筛选样本策略使得标记很少的样本就可以得到很高的正确率。3)PHD(Probability Hypothesis Density)滤波方法是基于随机有限集统计的滤波方法,能够跟踪数目变化的目标,因此适合应用于细胞场景中。本文通过分析显微视频图像中细胞的多个特征,提取细胞中心位置、灰度均值和局部场景图像熵三种特征,在状态空间中表征细胞的运动学特征和图像特征,用于自动化细胞跟踪。实验结果表明本文方法可以有效的同时跟踪多个细胞,与采用单独动力学特征的细胞跟踪相比具有更高的跟踪精度。