Los algoritmos de seguimiento basados en filtros de correlación (CF) han mostrado un excelente rendimiento en comparación con la mayoría de los algoritmos de última generación en el banco de pruebas de seguimiento de objetos (OTB). No obstante, la mayoría de los algoritmos de seguimiento basados en CF solo consideran características de un solo canal limitadas, y el modelo de seguimiento siempre se actualiza de cuadro a cuadro. Esto generará información errónea cuando los objetos objetivo experimenten cambios sofisticados en el escenario, como desorden de fondo, oclusión, fuera de vista, etc. La acumulación a largo plazo de actualizaciones erróneas del modelo causará deriva en el seguimiento. Para abordar los problemas mencionados anteriormente, en este artículo proponemos un algoritmo de seguimiento robusto basado en filtros de correlación de múltiples escalas a través de la fusión auto-adaptativa de múltiples características. Primero, fusionamos potentes características múltiples que incluyen el histograma de gradientes orientados (HOG), el nombre de color (CN) y el histograma de intensidades locales (HI) en la capa de respuesta. Los pesos se asignan de acuerdo con la proporción de puntajes de respuesta generados por cada característica, lo que logra una fusión auto-adaptativa de múltiples características para una representación de características preferible. Al mismo tiempo, se propone una estrategia de actualización de modelo eficiente, que se realiza aprovechando un umbral de respuesta predefinido como condición discriminativa para actualizar el modelo de seguimiento. Además, introducimos un método de estimación de múltiples escalas preciso integrado con la estrategia de actualización del modelo, que mejora aún más la adaptabilidad a la variación de escala. Tanto las evaluaciones cualitativas como cuantitativas en secuencias de video desafiantes demuestran que el rastreador propuesto supera a los métodos basados en CF de última generación.