Debido a su alta eficiencia y rendimiento en tiempo real, los rastreadores de filtrado de correlación discriminante (DCF) se han aplicado ampliamente en el seguimiento de vehículos aéreos no tripulados (UAV). Sin embargo, la robustez de los rastreadores existentes sigue siendo deficiente al enfrentar escenas complejas, como el desorden de fondo, la oclusión, el movimiento de la cámara y las variaciones de escala. En respuesta a este problema, este artículo propone un algoritmo robusto de seguimiento de objetivos UAV basado en la detección de saliencia (SDBCF). Utilizando métodos de detección de saliencia, el rastreador DCF se optimiza en tres aspectos para mejorar la robustez del rastreador en escenas complejas: la fusión de características, la construcción del modelo de filtro y la mejora de los métodos de estimación de escala. En primer lugar, este artículo analiza las características desde dimensiones espaciales y temporales, evalúa las habilidades representativas y discriminativas de diferentes características, y logra una fusión de características adaptativa. En segundo lugar, este documento construye un término de regularización espacial dinámica utilizando una máscara que se ajusta al objetivo, e integra este término con un término de regularización diferencial de segundo orden en el marco DCF para construir un nuevo modelo de filtro, que se resuelve utilizando el método ADMM. A continuación, este artículo utiliza la detección de saliencia para supervisar la relación de aspecto del objetivo y entrena un filtro de escala en el dominio continuo para mejorar la adaptabilidad del rastreador a las variaciones de escala. Finalmente, se realizaron experimentos comparativos con varios rastreadores DCF en tres conjuntos de datos de UAV: UAV123, UAV20L y DTB70. Los puntajes DP y AUC de SDBCF en los tres conjuntos de datos fueron (71.5%, 58.9%), (63.0%, 57.8%) y (72.1%, 48.4%), respectivamente. Los resultados experimentales indican que SDBCF logra un rendimiento superior.