En los últimos años, el filtrado por correlación se ha utilizado ampliamente en el campo del seguimiento de objetivos con UAV debido a su alta eficiencia y buena robustez, incluso en una CPU común. Sin embargo, los métodos de seguimiento basados en filtros de correlación existentes aún tienen problemas importantes al enfrentar desafíos como objetivos en movimiento rápido, temblores de cámara y oclusión parcial en escenarios de UAV. Además, la falta de un mecanismo de atención razonable para la información de distorsión, así como para la información de fondo, impide que los recursos computacionales limitados se utilicen para la parte del objeto más severamente afectada por la interferencia. En este artículo, proponemos el filtro de correlación reprimido por aberración de atención espacial, que modela las aberraciones, hace un uso completo de la información espacial de las aberraciones y asigna diferentes atenciones a ellas, y puede hacer frente mejor a estos desafíos. Además, proponemos un mecanismo para el aprendizaje intermitente del contexto global para equilibrar el uso eficiente de los recursos computacionales limitados y hacer frente a varios escenarios complejos. También probamos el mecanismo en desafiantes benchmarks de UAV como UAVDT y Visdrone2018, y los experimentos muestran que SAARCF tiene un mejor rendimiento que los rastreadores de última generación.