细胞跟踪是显微镜图像领域重要的研究课题之一。细胞存在形态变化、分裂行为等,与一般的目标跟踪相比,细胞跟踪更具挑战性。当前主流的细胞跟踪算法通常以细胞的检测或分割为前提,在细胞区别明显或稀疏的情况下,此类算法表现优秀。然而在细胞分布密度高的场景,此类算法往往由于细胞漏检等,得到的跟踪结果较差。本文基于U-Net及相关跟踪算法进行优化,提出一种新的多细胞跟踪算法,可改善细胞分布密度高的场景下多细胞跟踪的性能。针对细胞检测中存在的漏检严重问题,本文基于U-Net进行优化,提出仅分割细胞质心区域的方法,实现更准确的细胞定位与计数。利用多帧输入的方式,使得网络可以学习序列图像的时空信息。在不改变U-Net结构的情况下,多帧输入的方式提高了分裂期细胞的检测准确性,进而改善细胞分裂行为的检测性能。在U-Net的基础上,融入注意力机制,对网络层的输出进行自适应校准。结合NL模块全局上下文建模能力强与SE模块轻量计算的优点,设计一种全局上下文信息响应自校准模块,命名为GCR模块。GCR模块主要由全局上下文信息提取、像素级响应自校准两部分组成。实验结果表明,融入GCR模块后,U-Net得到的细胞质心检测可明显改善多细胞跟踪的性能。在跟踪框架的改进方面,提出一种联合细胞质心检测与细胞分割的多细胞跟踪算法,即JCDSMT。通过对细胞质心进行目标关联,建立细胞的质心运动轨迹,减少轨迹断裂的次数。在目标关联中,使用卡尔曼滤波器预测每个质心轨迹的运动状态,并基于多种距离成本项进行匹配。根据细胞的状态信息与轨迹信息,建立一个局部细胞状态矩阵,检测细胞的分裂行为,进而建立细胞的谱系关系。结合质心运动轨迹的终止信息,检测细胞的凋亡行为。结合细胞初分割结果,进行细胞后分割。后分割为每个细胞质心提供唯一的掩膜,得到最终的多细胞跟踪结果。在后分割中,提出一种利用泰森多边形法进行加速计算的方法。本文采用多种数据集验证JCDSMT的鲁棒性。在细胞跟踪挑战的官方平台评估中,在He La数据集上的性能表现排名第一。采用CMU的数据集评估中,JCDSMT的跟踪性能远远超过基于细胞分割的跟踪算法LM。实验表明,JCDSMT在细胞分布密度高的场景中实现稳定、准确的多细胞跟踪。