细胞追踪问题的研究，对建立细胞的生长发育模型并探索生命体基因的结构和功能至关重要。本文研究的主要内容是显微图像栈序列中植物顶端分生组织细胞群的追踪问题。植物细胞的追踪不同于动物细胞以及普通物体的追踪，其主要难点在于：①植物细胞群高度密集，并呈蜂窝状排布；②显微图像栈中含有较多的噪声，对细胞的识别以及细胞轨迹的重建造成干扰；③细胞图像在采集过程中间隔时间较长，导致细胞追踪过程中难免出现间断情况。　　针对以上难点，本文的主要工作和创新点如下：　　本文使用了一种基于机器学习的细胞分割方法对植物细胞图像进行自动分割。该方法首先识别出最大稳定极值区域作为候选细胞样区域，接下来使用结构化支持向量机对少量样本点进行训练学习，根据学习到的细胞外观模型对每个候选区域进行评价，动态选择出与模型最匹配的非重叠区域作为细胞识别的结果，以达到细胞分割的目的。　　对于细胞追踪，本文设计了一种利用局部图匹配模型与交互式多模型（Interacting Multiple Model，IMM）滤波器相结合的方法实现细胞的快速追踪。该滤波器结合了三种运动形式的卡尔曼滤波模型，与单一模型的卡尔曼滤波器相比，具有参数在线自适应的IMM滤波器增强了对不同细胞动力学的跟踪能力，并提供了附加的运动模式识别能力。前期开发的局部图匹配是用图描述细胞之间的拓扑结构进行细胞间的匹配，本文的追踪算法通过IMM滤波器预测细胞的位置，然后利用局部图匹配方法在预测位置的局部邻域搜索目标细胞，将匹配细胞的位置作为观测值再输入给运动滤波器进行校正，从而实现递归追踪。　　受图像噪声、细胞采样消失或者分割错误等原因的影响，细胞轨迹很容易出现断续情况。因此，在追踪算法得到置信度高的细胞小轨迹片段集合之后，本文提出使用最大后验概率方法在时间特征、空间特征与视觉特征上对细胞小轨迹进行匹配分析，最终将属于同一细胞的多段小轨迹再次连接起来，得到更加完整可靠地细胞生长轨迹数据。　　最后，通过对细胞分割和追踪算法在三组图像序列数据集上的测试，验证了本文提出的方法能够有效实现对植物细胞序列的并行稳定追踪。