Los filtros de correlación discriminativa (DCFs) han sido ampliamente utilizados en el seguimiento visual de objetos, pero a menudo sufren de dos problemas: el efecto de límite y la degradación del filtrado temporal. Para hacer frente a estos problemas, se han propuesto muchas variantes basadas en DCF y han mejorado la precisión del seguimiento visual de objetos. Sin embargo, estos rastreadores solo adoptan información de ajuste de datos de primer orden y tienen dificultades para mantener un seguimiento robusto en escenarios no restringidos, especialmente en casos de variaciones complejas de apariencia. En este documento, al introducir un término de ajuste de datos de segundo orden al DCF, proponemos un modelo de aprendizaje de filtro de correlación espacial-temporal de segundo orden (SSCF). Específicamente, el rastreador SSCF incorpora tanto los términos de ajuste de datos de primer orden como de segundo orden en el marco de DCF y hace que el filtro de correlación aprendido sea más discriminativo. Mientras tanto, la regularización espacial-temporal se integró para desarrollar un modelo robusto en el seguimiento con variaciones complejas de apariencia. Se realizaron experimentos extensos en las bases de datos de referencia CVPR2013, OTB100, DTB70, UAV123 y UAVDT-M. Los resultados demostraron que nuestro SSCF puede lograr un rendimiento competitivo en comparación con los rastreadores de última generación. Cuando el parámetro de penalización se estableció en , nuestro SSCF obtuvo puntuaciones de DP de 0.882, 0.868, 0.706, 0.676 y 0.928 en las bases de datos CVPR2013, OTB100, DTB70, UAV123 y UAVDT-M, respectivamente.