En los últimos años, los algoritmos de seguimiento de objetivos basados en aprendizaje profundo han logrado un progreso significativo, especialmente la estructura de la red neuronal Siamesa, que tiene una estructura simple y una excelente escalabilidad. Aunque estos métodos proporcionan excelentes capacidades de generalización, fallan en realizar la tarea de aprender la discriminación de la información del objetivo de manera fluida debido a verse afectados por distracciones como el desorden del fondo, la oclusión y el tamaño del objetivo. Para resolver este problema, en este artículo proponemos un algoritmo de seguimiento de objetivos de red Siamesa recientemente mejorado basado en un mecanismo de atención. Introducimos un módulo de atención de canal y un módulo de atención espacial en la red original para mejorar el problema de la capacidad de extracción semántica insuficiente de la capa convolucional del algoritmo de seguimiento en entornos complejos. Un mecanismo de atención de canal mejora la capacidad de extracción de características al utilizar la red para aprender la importancia de cada canal y establecer la relación entre los canales, mientras que un mecanismo de atención espacial refuerza la capacidad de extracción de características al establecer la importancia de la posición espacial en la localización del objetivo o al llevar a cabo un cierto grado de deformación. En este artículo, los dos modelos mencionados se combinan para mejorar la robustez de los rastreadores sin sacrificar la velocidad de seguimiento. Realizamos un experimento exhaustivo en el conjunto de datos de referencia de seguimiento de objetos. Los resultados experimentales muestran que nuestro algoritmo supera a otros rastreadores en tiempo real tanto en precisión como en robustez en la mayoría de los entornos complejos.