Durante el proceso de seguimiento de objetivos de vehículos aéreos no tripulados (UAV), el objetivo puede desaparecer de la vista o quedar completamente oculto por otros objetos, lo que resulta en un fallo de seguimiento. Por lo tanto, determinar cómo identificar el fallo de seguimiento y redetectar el objetivo es clave para el seguimiento a largo plazo de objetivos de UAV. El filtro de correlación kernelizado (KCF) ha sido muy popular por su velocidad y precisión satisfactorias desde que fue propuesto. Es muy adecuado para sistemas de seguimiento de objetivos de UAV con altos requisitos de tiempo real. Sin embargo, no puede detectar fallos de seguimiento, por lo que no es adecuado para el seguimiento a largo plazo de objetivos. Basándonos en la investigación anterior, proponemos un KCF mejorado para cumplir con los requisitos de seguimiento a largo plazo de objetivos. En primer lugar, introducimos un mecanismo de confianza para evaluar los resultados del seguimiento de objetivos y determinar el estado del seguimiento del objetivo. En segundo lugar, se diseña una estrategia de actualización del modelo de seguimiento para que el modelo sufra menos interferencia de información de fondo, mejorando así la robustez del algoritmo. Finalmente, se utiliza la correlación cruzada normalizada (NCC) para hacer una propuesta regional primero, y luego se utiliza el modelo de seguimiento para la redetección del objetivo. Luego, aplicamos con éxito el algoritmo al sistema UAV. El sistema utiliza cámaras binoculares para estimar la posición del objetivo con precisión, y diseñamos un método de control para mantener el objetivo en el campo de visión del UAV. Nuestro algoritmo ha logrado los mejores resultados tanto en evaluaciones a corto como a largo plazo de experimentos en pruebas de seguimiento, lo que demuestra que el algoritmo es superior al algoritmo base y tiene un rendimiento bastante bueno. Los experimentos al aire libre muestran que el sistema UAV desarrollado puede lograr un seguimiento autónomo a largo plazo del objetivo.