对细胞的研究在生物医学领域具有重要的意义,而细胞跟踪在其中扮演着重要角色。由于细胞之间高度的相似性,外观的多变性,并且存在细胞分裂的现象,因此相比于常见物体的跟踪,细胞跟踪的挑战程度更高。当前大多数的多目标跟踪方法皆为tracking-by-detection范式,该范式的多目标跟踪通过先检测,再用外观特征或者运动特征进行关联,因此该范式非常依赖于检测以及特征提取器的性能。而由于细胞显微图像存在的挑战,传统的依赖于初级外观特征的在线跟踪算法的鲁棒性较差,容易因误差的积累而发生ID的跳变,因此难以满足生物医学研究的实际需求。本文基于U-Net++以及目标跟踪算法,并结合在线跟踪与离线跟踪的优点,提出一种优化的多细胞跟踪算法,提升跟踪鲁棒性的同时,还对错误关联与断连的轨迹进行矫正与重连。针对目标跟踪器的特征提取,本文设计了一种针对细胞的可端到端训练的多目标跟踪器,可以在多目标跟踪范式下直接训练,而不用拆分模块进行训练。在提供相同的检测信息时,经过微调的跟踪器能实现更准确的跟踪。利用深度匈牙利网络,将不可导的传统二分图匹配算法改进为可导的二分图匹配算法。在训练时,通过使用深度匈牙利网络,能直接将损失通过反向传播回传到目标跟踪器,使得跟踪器可以直接学习不同细胞图像的外观信息,进而在不同的细胞数据集上进行微调。提高了多细胞跟踪器的鲁棒性,减少了错连次数。针对在线跟踪中的轨迹断连的问题,本文设计了一种图模型聚类的方法来解决轨迹的数据关联问题。先通过在线跟踪构造小轨迹片段,将小轨迹片段视作图中的节点,接着利用轨迹信息通过多种距离成本项来构造轨迹与轨迹的距离矩阵。并在时间约束与位置约束的条件下,通过图聚类操作,为每个tracklet之间做关联。恢复每个细胞真实的跟踪轨迹,减少轨迹断连次数,得到更准确的谱系关系。提出的方法在CTC（Cell Tracking Challenge）的多个细胞数据集上进行测试,实验结果表明本算法相较于其他跟踪算法,能实现更为准确的跟踪。在SEG和TRA指标上,相较于其他方法,均有更好的性能。