近年来，领域内提出了许多能够量化动物行为的方法；这些方法不仅开辟了计算行为学领域，还使得建立通用的全自动行为分析方法成为可能。现有的前沿多动物姿态估计方法采用自下而上或自上而下的流程进行基于检测的跟踪，需要针对不同的动物外观重新训练模型。我们新提出的InteBOMB方法将通用对象跟踪集成到自上而下的流程中，无需学习特定动物的先验知识，在泛化性上有很强的比较优势。具体来说，我们的主要贡献包括两种适用于实验室场景的跟踪和分割策略以及两种适用于自然场景的姿态估计技巧。“背景增强”策略计算前景-背景对比损失，构建更具判别性的相关图。“在线校验”策略存储人在环路的长期记忆和模型动态的短期记忆，主动更新物体的视觉特征。“自动标注建议”技巧复用了跟踪期间保存的视觉特征，选择代表性的帧来标注，生成更好的训练集。“联合行为分析”技巧还将这些特征与其他模态的数据相结合，扩展了行为分类和聚类的潜在空间。值得注意的是，我们收集了六组小鼠数据集和六组非人灵长类动物数据集来对实验室和自然场景进行基准测试，评估了我们的零样本通用跟踪器和高性能联合潜在空间，其跨数据集的平均改进分别有　24%　和　21%。.;　Advancements　in　animal　behavior　quantification　methods　have　driven　the　development　of　computational　ethology,　enabling　fully　automated　behavior　analysis.　Existing　multi-animal　pose　estimation　workflows　rely　on　tracking-by-detection　frameworks　for　either　bottom-up　or　top-down　approaches,　requiring　retraining　to　accommodate　diverse　animal　appearances.　This　study　introduces　InteBOMB,　an　integrated　workflow　that　enhances　top-down　approaches　by　incorporating　generic　object　tracking,　eliminating　the　need　for　prior　knowledge　of　target　animals　while　maintaining　broad　generalizability.　InteBOMB　includes　two　key　strategies　for　tracking　and　segmentation　in　laboratory　environments　and　two　techniques　for　pose　estimation　in　natural　settings.　The　＂background　enhancement＂　strategy　optimizes　foreground-background　contrastive　loss,　generating　more　discriminative　correlation　maps.　The　＂online　proofreading＂　strategy　stores　human-in-the-loop　long-term　memory　and　dynamic　short-term　memory,　enabling　adaptive　updates　to　object　visual　features.　The　＂automated　labeling　suggestion＂　technique　reuses　the　visual　features　saved　during　tracking　to　identify　representative　frames　for　training　set　labeling.　Additionally,　the　＂joint　behavior　analysis＂　technique　integrates　these　features　with　multimodal　data,　expanding　the　latent　space　for　behavior　classification　and　clustering.　To　evaluate　the　framework,　six　datasets　of　mice　and　six　datasets　of　non-human　primates　were　compiled,　covering　laboratory　and　natural　scenes.　Benchmarking　results　demonstrated　a　24%　improvement　in　zero-shot　generic　tracking　and　a　21%　enhancement　in　joint　latent　space　performance　across　datasets,　highlighting　the　effectiveness　of　this　approach　in　robust,　generalizable　behavior　analysis.