Los filtros de correlación discriminativa (DCFs) han demostrado tener un rendimiento superior en el seguimiento visual de objetos. Sin embargo, el seguimiento visual sigue siendo desafiante cuando los objetos objetivo atraviesan escenarios complejos como la oclusión, deformación, cambios de escala y cambios de iluminación. En este documento, utilizamos las características jerárquicas de las redes neuronales convolucionales (CNNs) y aprendemos un filtro de correlación de contexto espacio-temporal en capas convolucionales. Luego, la traducción se estima fusionando la puntuación de respuesta de los filtros en las tres capas convolucionales. En cuanto a la estimación de escala, aprendemos un filtro de correlación discriminativo para estimar la escala a partir de los mejores resultados de confianza. Además, propusimos un método de discriminación de activación de re-detección para mejorar la robustez del seguimiento visual en caso de fallo de seguimiento y un método de actualización de modelo adaptativo para reducir la deriva de seguimiento causada por actualizaciones ruidosas. Evaluamos el rastreador propuesto con DCFs y características profundas en conjuntos de datos de referencia OTB. Los resultados de seguimiento demostraron que el algoritmo propuesto es superior a varios métodos DCF de última generación en términos de precisión y robustez.