成体神经元干细胞是藏匿于成体神经系统某些部位中的一些细胞，这些细胞具有良好的可塑性，可以通过基因工程或细胞工程等当代高新技术将之进行人工改造，使其发育成为能够对神经损伤特别是中枢神经损伤进行替代治疗的工具。如何找出神经元干细胞的这种自然的分裂、增殖规律，从而能够利用特定的神经元干细胞的祖细胞，人工培植出所需要的具有特定功能的神经器官，在医学角度上以移植的方式救治神经方面的患者，越来越成为当今世界上的研究难点和热点问题。借助计算机在数字图像的成像分析技术和在信号与信息的高速处理技术等方面具有的高性能，对神经元干细胞进行追踪，其研究目前属于起步阶段。本课题以Chalmers技术大学的Karin Althoff和Johan Degerman所采集的神经元干细胞序列图像作为图像源，以Uppsala大学图像分析中心的Carolina和Yoakim所发展的以源点作为区域表象的基于区域的全自动水线分割(watershed segmentation)算法为基础，设计了一个分割与追踪系统。该系统的特点是在追踪过程中结合了多项分割技术以保证追踪结果的正确性。研究的主要内容和创新点如下： 1．针对全自动水线分割算法对于在全自动成像过程中，由于焦距发生改变而采集的图像分割效果差的不足，通过研究和分析基于等值面的Hamilton-Jacobi方程和几何蛇算法，把几何蛇算法的思想嵌入到等值面的Hamilton-Jacobi方程中，针对神经元干细胞数字图像的特点，提出了应用到该课题中的基于等值面的几何蛇模型的分割算法。等值面方法由于其计算量复杂在图像处理方面应用很少，几何蛇模型的研究在国内的开展的也不多，本文在把二者结合应用方面进行了一定的探索。最终实验结果表明该算法对于该类图像能够有效地捕捉图像中所有目标，完成分割目的。 2．针对当一帧图像所含的细胞数目多，分裂后两个子细胞之间的距离与其它非分裂细胞之间的距离小于所设定的距离门限时，需要对其进行进一步的处理和识别这一问题，提出了一种能够精确提取分裂子细胞轮廓信息的分割算法。该方法采用了基于最大熵的模糊阈值分割方法，并应用遗传算法确定最大模糊熵准则下的最优参数。然后利用加权距离变换，区域标注和形态