从2006年生物研究学者首次发现诱导多能干细胞(induced pluripotent stem cells,简称iPS)以来,越来越多的相关技术涌现出来,并已应用到实际医学生物场景中。诱导多能干细胞不仅可以为医学研究者们提供体外的疾病模型,方便病理研究,也可以进行体外细胞再分化,进而培养出各种组织器官,用于各类疑难疾病的治疗。如何利用计算机数字图像处理方法以及高速信息处理技术,对诱导干细胞的生长、分化过程进行计算机辅助的量化处理,帮助生物研究者更好的对诱导多能干细胞技术进行改进以造福人类,成为一个极其重要的研究方向。本课题基于相差显微镜拍摄的干细胞生长序列图像,利用计算机视觉、机器学习等关键技术,研究干细胞图像的预处理及分割、干细胞的有丝分裂增殖行为分析、干细胞生长轨迹跟踪等核心问题。主要研究工作和成果如下:(1)干细胞图像去噪和细胞分割等预处理技术研究。本文研究的干细胞图像序列来自于相差显微镜的跟踪拍摄,获到的干细胞图像序列存在伪影、光圈等干扰信息,传统图像分割技术很难获得满意的分割效果。本文深入研究了相差显微镜的成像原理以及图像恢复技术,有针对性地消除了干细胞图像中光学仪器产生的伪影和光圈等干扰,根据干细胞生长的形态变换,将干细胞分为“暗”细胞和“亮”细胞两类,通过计算细胞面积提升分割精度。(2)提出了基于多模态融合的干细胞有丝分裂检测方法。由于设备和拍摄技术等原因,即使是国内顶尖生物实验室,也很难获得少于15分钟间隔的拍摄图像序列,导致干细胞分裂过程中细胞生长信息大量丢失。本文尝试了两种较为成熟的有丝分裂检测方法,但对长时间间隔序列检测时存在大量结果丢失现象。因此,本文创新性提出了一种基于多模态融合的干细胞有丝分裂检测方法,将细胞分裂周期两个阶段的特征模态进行融合后进行有丝分裂检测。实验证明,该方法能显著提升细胞有丝分裂检测精度。(3)提出了融合干细胞有丝分裂检测的细胞生长跟踪方法。干细胞生长过程中存在大量细胞分裂和增殖现象,传统的多目标跟踪方法很难准确跟踪不断形变生长的干细胞。因此,本文提出了基于细胞有丝分裂检测和跟踪算法融合的干细胞跟踪方法。实验表明,该方法能显著降低干细胞跟踪的计算量。