基于计算机视觉的目标检测和目标追踪是辅助分析物体运动特性的重要手段。现实生活场景中的目标,例如行人、车辆等,研究已经相当成熟。而生物医学领域中的目标,例如细菌、精子等,由于专业领域的数据限制,它们的检测和追踪稍缓慢,仍需进一步研究。生物医学目标依据其外观特性可以分为两类:外观特征相对单调的生物粒子和外观特征相对丰富的生物粒子。本文围绕这两类粒子的检测和追踪主要做了以下研究:（1）特征单调的生物粒子的检测算法。检测作为追踪的第一步操作,其精度直接影响追踪的正确率。因此,如何提高检测精度、检出有接触的目标成为了检测的首要任务。根据第一类生物粒子没有太多可以利用的外观特征,本文提出了一种基于阈值分割和形态学操作的两步检测算法。首先利用阈值分割对图像进行粗分割,从背景中提取出前景信息,然后利用开操作分离有轻微接触的粒子。（2）特征相对丰富的生物粒子的深度学习检测算法研究,以精子为例。目前大多数精子检测与普通生物粒子的检测一样,都是采用传统的目标检测算法,例如阈值分割、帧差法、背景减除法等。这类检测算法不能利用图像的上下文信息,忽略了精子独特的外观特性。在有较多背景噪声和杂质的场景下,检测通常会出错。本文基于现有深度学习框架SSD提出了一种适用于精子图像的检测算法。通过引入特征融合提高网络深层特征图的细粒度。它可以充分利用精子图像的上下文信息,避免复杂场景下背景噪声的干扰。通过与点增强滤波器、SSD、Retina Net等算法进行定性和定量的对比实验,成功证明了本文所提算法的优越性。对于精子来说,精子头通常更具有研究价值。因此针对深度学习的矩形框检测结果,需要进一步处理。先将矩形框区域从原图像里截取出来,然后依次灰度化、二值化、提取精子头部重心点,作为追踪的基点。（3）生物医学粒子重叠、遮挡问题的处理。生物粒子发生重叠、遮挡后,通常会被检测算法误检为一个目标,很难区分出来。目前还没有算法能够在检测阶段实现遮挡目标之间的分离。要解决重叠、遮挡问题,只有利用更多帧的信息,在数据关联阶段进行处理。连续最短路径算法虽然可以利用多帧信息,在时间维度上实现了两点之间的最短路径最优解,但是它没有考虑两点之外的其它目标的解。匈牙利算法在目标追踪任务中应用较多,但它解决的是二部图的最大匹配问题。由于只考虑连续两帧信息,所以在连续两帧中实现了最优匹配。但它所利用的时间信息有限,所能处理的复杂情况也有限。本文整合了连续最短路径算法和匈牙利算法的优点,提出一种既能利用时间多维信息,又能实现空间上多个目标之间的最优解,很好地解决了目标之间发生遮挡的情况。