La limitada disponibilidad de muestras de entrenamiento de infrarrojo térmico (TIR) conduce a una representación subóptima del objetivo por las redes de extracción de características convolucionales, lo que afecta negativamente la precisión de los métodos de seguimiento de objetivos TIR. Para abordar este problema, proponemos un modelo de dominio cruzado no supervisado (UCDT) para el seguimiento de TIR. Nuestro enfoque aprovecha muestras de entrenamiento etiquetadas del dominio RGB (dominio fuente) para entrenar una red de extracción de características generales. Luego empleamos un modelo de dominio cruzado para adaptar esta red para una extracción efectiva de características del objetivo en el dominio TIR (dominio objetivo). Esta estrategia de dominio cruzado aborda el desafío de las muestras de entrenamiento TIR limitadas de manera efectiva. Además, utilizamos una técnica de aprendizaje no supervisado para generar pseudoetiquetas para muestras de entrenamiento no etiquetadas en el dominio fuente, lo que ayuda a superar las limitaciones impuestas por la escasez de datos de entrenamiento anotados. Experimentos extensos demuestran que nuestro método de seguimiento UCDT supera a los enfoques de seguimiento existentes en los benchmarks PTB-TIR y LSOTB-TIR.