Recientemente, los filtros de correlación discriminativos (DCF) han sido aplicados con éxito para el seguimiento visual. Sin embargo, los rastreadores DCF tradicionales tienden a resolver por separado los problemas de efecto de borde y degradación temporal en el proceso de seguimiento. En este documento, se propone un filtro de correlación de aprendizaje en línea variacional (VOLCF) para el seguimiento visual con el fin de mejorar la robustez y precisión del proceso de seguimiento. A diferencia de métodos anteriores, que utilizan solo restricciones temporales de primer orden, este enfoque conduce al sobreajuste y degradación del filtro. Primero, más allá del requisito estándar de entrenamiento del filtro, nuestro método VOLCF propuesto introduce un término de confianza del modelo, que aprovecha la información temporal de los fotogramas adyacentes durante el entrenamiento del filtro. En segundo lugar, para garantizar la consistencia de las características temporales y espaciales de la secuencia de video, el modelo introduce la divergencia de Kullback-Leibler (KL) para obtener la información de segundo orden del filtro. En contraste con los modelos tradicionales de seguimiento de objetivos que se basan únicamente en información de características de primer orden, este enfoque facilita la adquisición de una conexión generalizada entre los filtros anteriores y actuales. Como resultado, incorpora la actualización conjunta del filtro regulado. A través de análisis cuantitativos y cualitativos del experimento, se demuestra que el modelo VOLCF tiene un excelente rendimiento de seguimiento.