在光学显微镜成像的时间序列细胞图像的多细胞追踪系统中,对于活跃细胞的准确预测、追踪是一个尚未解决的难题。尽管活跃细胞在神经干细胞的追踪中所占比例不大,但是它的作用却是很重要。完成一个活跃细胞的自动追踪、分析系统,是细胞追踪的一个关键任务,找到一种快速准确的活跃细胞追踪算法是该课题的一个重点。本文针对活跃细胞的追踪采用卡尔曼滤波器算法,其建立在运动模型上,计算简单,容易理解。在现有的卡尔曼滤波器方法上提出了三点改进。首先,在运动模型上的改进,现有对细胞追踪的运动模型多采用匀速模型,由于活跃细胞运动距离大,该模型有其局限。本文中采用匀加速模型,该模型更加符合活跃细胞的运动特性。其次,对于活跃细胞的识别,多采用人机交互形式选择目标细胞,这样做影响了全自动性能。本文提出以灰度阈值法和水平集方法对图像进行预处理并获得二值图像,接着对其相邻两帧间比较,根据细胞的运动情况自动识别出活跃细胞。最后,在细胞追踪搜索算法中,多采用Mean Shift算法,但是Mean Shift算法很难在下一帧中找到匹配信息。本文中采用代价函数的思想,只需要知道活跃细胞在上一帧的形状特征和运动特征,就得找到最匹配的细胞。能否预测到活跃细胞所在区域直接影响着追踪的准确度和速度。通过分析比较几种常用的细胞追踪算法,我们认为卡尔曼滤波器算法预测法有递推运算简单、数据存储量小、速度快实时性好等优点,针对活跃细胞的运动特性,采用匀加速模型的Kalman滤波器算法比较适合。本文采用图像笛卡尔坐标系下的卡尔曼滤波算法预测、匹配、修正的思路来指导追踪,能够很好的找到使特征代价函数最小的目标细胞,并更新状态、测量方程。通过对3个序列图像共6个活跃细胞的预测与追踪的测试的结果表明,该算法能够对成功分割的活跃细胞实现较准确的追踪,追踪估计值和实际观测值之间的像素差都在十个像素以内,满足局部搜索的条件。