自然界中大规模运动的群体常常呈现出美丽的图案,譬如游动的鱼群,飞行的鸟群以及微生物界的细胞群体。这些看似杂乱无章的运动个体为什么会形成如此美妙的运动行为,每个个体在群体中扮演了什么样的角色,这些问题吸引了很多科学家的兴趣。为了揭示内部隐藏的科学奥秘,测量每个个体的运动轨迹是非常必要的工作。然而,大规模运动的个体由于形态上的相似性,以及运动中频繁的遮挡,给自动化检测和跟踪带来了很大的挑战。本文给出了一种自动而有效的算法,能够自动识别和跟踪大规模拥挤环境下的运动物体,譬如鱼群和细胞群。我们首先使用一种新颖的双椭圆定位器检测出每个个体在图片中大概的位置,并作为方差最小化活动轮廓算法的初始值,通过水平集优化得到每个个体精确的分割结果。紧接着,我们把跟踪问题建模为两步线性指派问题(Linear Assignment Problems, LAP),与传统的线性指派算法不同,我们通过机器学习的方法得到两帧之间物体的相似度。为了验证本算法的有效性,我们对鱼群和细胞群进行跟踪,成功得到其运动轨迹,在本文中我们对算法细节进行了详细的讨论。为了进一步研究群体运动背后的轨迹,了解生物个体各种行为决策背后的神经机理,研究个体脑部神经元结构是非常有必要的工作。此外,神经回路中线粒体被认为在神经功能中扮演重要的角色。现有的电子显微镜成像技术使得人们能够拍摄到脑区纳米级精度的图像。然而,高精度的拍摄会产生海量数据,这让人工无法在短暂的时间内标注出所有的神经组织。因此设计高效而准确的算法对神经回路中各种组织的识别是非常有价值的工作。本文首先提出了一种高效的线粒体三维重建算法。我们在x-y方向上使用了一种新的局部灰度分布特征,并借助随机森林分类器来检测二维空间中的线粒体,然后使用随机并查集算法对找到的线粒体进行编号和聚类,从而得到三维空间的结构。最后我们在三维空间中提取线粒体的特征,去掉误检的物体,从而得到真正的线粒体。此外,我们还给出了检查到的线粒体的置信度(Confidence),方便神经科学家对重建结果进行纠错。为了评估本文提出的重建算法,我们与目前最好的算法进行了比较,并给出了详细的实验结果。除此之外,我们又提出了一种新的改进的线粒体三维重建算法,同时给出了我们在神经细胞膜检测问题上的最新进展。